MODELAGEM DINÂMICA DO DESMATAMENTO NA PROVÍNCIA … · Gostaria de agradecer em primeiro lugar a...
88
CASTIGO DAVID AUGUSTO MACHAVA MODELAGEM DINÂMICA DO DESMATAMENTO NA PROVÍNCIA DE MANICA – MOÇAMBIQUE BELO HORIZONTE 2020 UNIVERSIDADE FEDERAL DE MINAS GERAIS INSTITUTO DE GEOCIÊNCIAS Programa de Pós-graduação em Análise e Modelagem de Sistemas Ambientais
Transcript of MODELAGEM DINÂMICA DO DESMATAMENTO NA PROVÍNCIA … · Gostaria de agradecer em primeiro lugar a...
CASTIGO DAVID AUGUSTO MACHAVA
MODELAGEM DINÂMICA DO DESMATAMENTO NA PROVÍNCIA DE MANICA –
MOÇAMBIQUE
BELO HORIZONTE
2020
UNIVERSIDADE FEDERAL DE MINAS GERAIS
INSTITUTO DE GEOCIÊNCIAS
Programa de Pós-graduação em Análise e Modelagem
de Sistemas Ambientais
CASTIGO DAVID AUGUSTO MACHAVA
MODELAGEM DINÂMICA DO DESMATAMENTO NA PROVÍNCIA DE MANICA –
MOÇAMBIQUE
Versão Final
Orientadora:
Profa Dra. Sónia Maria Carvalho Ribeiro
BELO HORIZONTE
2020
Dissertação apresentada ao Programa de Pós-
Graduação em Análise e Modelagem de Sistemas
Ambientais da Universidade Federal de Minas Gerais,
como requisito para obtenção do título de mestre em
Análise e Modelagem de Sistemas Ambientais.
M149m
2020
Machava, Castigo David Augusto.
Modelagem dinâmica do desmatamento na província de Manica – Moçambique [manuscrito] / Castigo David Augusto Machava. – 2020.
ix, 74 f., enc.: il. (principalmente color.)
Orientadora: Sónia Maria Carvalho Ribeiro.
Dissertação (mestrado) – Universidade Federal de Minas Gerais,
Instituto de Geociências, 2020.
Bibliografia: f. 67-70.
Inclui anexos.
1. Modelagem de dados – Aspectos ambientais – Teses. 2.
Desmatamento – Manica (Moçambique) – Teses. I. Carvalho-Ribeiro,
Sónia Maria. II. Universidade Federal de Minas Gerais. Instituto de
Geociências. III Título.
CDU: 911.2:519.6(679)
Ficha catalográfica elaborada por Elisabete Quatrini Vieira – CRB6 2210
i
ii
Dedico
A minha mãe lutadora
A minha esposa
Aos meus filhos
Aos meus irmãos.
iii
AGRADECIMENTOS
Gostaria de agradecer em primeiro lugar a Deus pelo dom da vida.
Aos meus pais, Augusto Machava (in memoriam) e Cristina João por terem moldado o homem
que sou.
À minha esposa Meves Carlos Manuel Chapo Machava, meus filhos Yuna Machava, Arnaldo
Machava, Ailin Machava, Benvinda Machava pela paciência, coragem, superação durante os
meus anos de formação no Brasil.
À minha orientadora Professora Doutora Sónia Maria Carvalho Ribeiro que incansavelmente foi
costurando as linhas que fizeram a presente dissertação. Obrigado pelo apoio, ensinamentos,
contribuições e elucidações em cada reunião de orientação.
À coordenação do programa de pós-graduação em Análise e Modelagem de Sistemas Ambientais
na pessoa do Professor Doutor Rodrigo Affonso de Albuquerque Nóbrega, que abriu as portas
para o primeiro africano moçambicano ingressar no programa.
Ao Centro de Sensoriamento Remoto (CSR – UFMG), pelo acolhimento e aprendizado.
Ao IBE (Instituto de Bolsas de Estudo – Moçambique) e a CAPES pelo financiamento durante o
período de formação.
À Cora de Alvarenga Guimarães (secretária do programa) pela flexibilidade, sorriso e
simplicidade.
Aos meus colegas do curso, Miluska Blas Leon, Marina Teixeira, Sande Oliveira, Welisson
Wendel (Dedé), Natália Souza, Clarice Malard, Marcos de Paulo Ramos, João Pedro, Thomas
Rickard, Guilherme Pinto, Matheus Santos, Túlio Lage, António Filho, Charles Rezende, Daniel
Araújo, pela amizade e ideias compartilhadas.
Aos meus amigos moçambicanos em Belo Horizonte Edson Raso, Frederico Machado Almeida,
Luís Comissario Manjate, Tiago Pinto, Francisco Macaringue, Xavier Mariano Maia, Marta
Maputere, Júlia Beira, Bonifácio Langa, Albino Simione pelo agradável convívio.
Por último e não menos importante a todos que de forma direta ou indireta, contribuíram na
produção da presente dissertação. O meu muito obrigado, Tabhonga maning, Maita Bhassa.
iv
“A maior desgraça de uma nação pobre é que, em vez de
produzir riqueza, produz ricos. Mas ricos sem riqueza”.
Mia Couto
v
RESUMO
Moçambique é um país da Africa Austral que possui extensa e diversificada cobertura vegetal.
Essa riqueza natural está sendo ameaçada por um conjunto de fatores sendo a expansão de áreas
agrícolas recorrentemente apontada como principal causa do desmatamento. No sentido de conter
desmatamento a intensificação da produção agrícola tem sido apontada como solução. A presente
pesquisa tem como objetivo analisar o fenómeno de desmatamento para entender a sua dinâmica
na Província de Manica – Moçambique e explorar as possíveis contribuições da intensificação
da agricultura na diminuição do desmatamento. Pretendeu-se também efetuar a simulação de
cenários futuros para o desmatamento a partir das tendências passadas. Para alcançar os objetivos
propostos, foi primeiramente realizado o mapeamento do uso e cobertura do solo através da
classificação de imagens satélite Landsat 5 (TM) do ano de 2007 e Landsat 8 (OLI) dos anos de
2015 e 2018. Seguidamente foi aplicado um questionário a 227 chefes de famílias entre
Dezembro de 2018 a Março de 2019 na região centro da província de Manica para caracterizar o
sistema de produção dos agricultores familiares e identificar variáveis espaciais relacionadas com
o desmatamento. Depois da codificação e processamento de dados do questionário, foram
realizadas a Análise de Componentes Principais (PCA) e Análise de Clusters (CA) para criar
uma tipologia dos agricultores da região. Foi ainda estimada a aptidão agrícola das terras
aplicando o método de análise multicritério de modo a definir e delimitar áreas mais favoráveis
para intensificação da agricultura. Por fim foi aplicado a metodologia de modelagem dinâmica
do desmatamento no software DINAMICA EGO. Na análise dos questionários e através da
utilização da PCA foi possível reduzir 24 variáveis iniciais em 7 componentes que explicam 76%
da variância total. A Análise de Clusters (CA) realizada a partir das 7 principais componentes
identificou 3 grupos de agricultores familiares com características específicas dos modos de
produção agrícola e suas associações com o desmatamento. O Grupo 1 (N=86) é o majoritário,
constituído por agricultores imigrantes para os quais a diminuição de área de floresta é causada
principalmente pela expansão de áreas agrícolas e exploração da energia da biomassa (lenha e
carvão). O Grupo 2 (N=59) é de agricultores que vivem na área desde a nascença
maioritariamente líderes comunitários. Para estes agricultores o aumento da área de produção é
motivado pela necessidade de produzir mais para comercializar excedentes. O Grupo 3 (N=82)
é de jovens agricultores e produtores de combustível da biomassa. Essa análise permitiu concluir
que são múltiplas e complexas as causas do desmatamento cuja resolução tem que ir muito além
da atual proposta de intensificação da agricultura. A avaliação da aptidão agrícola das terras
identificou cerca de 1268400 hectares com alta aptidão para a intensificação agrícola sem que
ocorra a supressão de áreas de floresta remanescente. As áreas de alta aptidão são as mais
adequadas para expandir e intensificar a produção agrícola e assim evitar a expansão das mesmas
sobre a floresta. Finalmente, com a modelagem dinâmica foi possível notar que o desmatamento
ocorre nas proximidades de estradas principais e secundárias, na zona tampão de áreas de
proteção, nas menores declividades e nas áreas próximas de principais vilas e cidades da
província. Os cenários futuros de desmatamento baseados na tendência histórica do período
analisado estimam uma diminuição de área de cobertura florestal em cerca de 1592000 hectares
até ao ano de 2025, no qual a província terá apenas 5% de floresta. Este trabalho pode contribuir
para auxiliar a formulação de Políticas Públicas em Moçambique no sentido de aliar
desenvolvimento socioeconómico à conservação da natureza.
Palavras-Chaves: Modelagem dinâmica, desmatamento, simulação de cenários, Manica -
Moçambique.
vi
ABSTRACT
Mozambique is a Southern African Country with high and diversified plant cover. This natural
wealth is being threatened by a set of related factors being the expansion of agricultural areas
most cited as the main cause of deforestation. In order to stop deforestation the intensification of
agricultural production has been pointed as a solution. The continuous anthropic pressure on
forest resources has led to decreased patterns of vegetation cover. This research aims to analyze
the deforestation phenomenon in order to understand its dynamics in Manica Province -
Mozambique and to explore the possible contributions of the intensification of agriculture in the
reduction of deforestation. It was also intended to simulate future scenarios for deforestation from
past trends. To achieve the proposed objectives, the mapping of land use and land cover was first
carried out through the classification of satellite images Landsat 5 (TM) from the year 2007 and
Landsat 8 (OLI) from the years 2015 and 2018. Then a questionnaire was applied to 227 heads
of families between December 2018 and March 2019 in the central region of Manica province to
characterize the production system of family farmers and identify spatial variables related to
deforestation. After coding and processing the questionnaire data, Principal Component Analysis
(PCA) and Cluster Analysis (CA) were performed to create a typology of farmers in the region.
The agricultural suitability of the lands was also estimated by applying the multicriteria analysis
method in order to define and delimit more favorable areas for agricultural intensification.
Finally, the dynamic deforestation modeling methodology was applied in the DINAMICA EGO
software. In the analysis of the questionnaires and by using the PCA it was possible to reduce 24
initial variables in 7 components that explain 76% of the total variance. The Clusters Analysis
(CA) based on the 7 main components identified 3 clusters of family farmers with specific
characteristics of agricultural production modes and their associations with deforestation. Cluster
1 (N = 86) is the majority, consisting of immigrant farmers for whom the decrease in forest area
is mainly caused by the expansion of agricultural areas and exploitation of biomass energy
(firewood and coal). Cluster 2 (N = 59) consists of farmers living in the area since birth, mostly
community leaders. For these farmers the increase in production area is motivated by the need to
produce more to sell surpluses. Cluster 3 (N = 82) is young farmers and producers of biomass
fuel. This analysis led to the conclusion that the causes of deforestation are multiple and complex
and their resolution must go far beyond the current proposal for intensifying agriculture. The
assessment of the agricultural suitability of the land identified about 1268400 hectares with high
aptitude for agricultural intensification without the suppression of remaining forest areas. Areas
of high suitability are propitious for expanding and intensifying agricultural production and thus
preventing their expansion over the forest. Finally, with dynamic modeling it was noted that
deforestation occurs near of major and minor roads, in the buffer zone of protection areas, in the
smallest slopes and in the areas near the main towns and cities of the province. Future
deforestation scenarios based on the historical trend of the analyzed period estimate a decrease
in forest cover area by about 1592,000 hectares by the year 2025, in which the province will
remain only with 5% of forest area. This research can contribute to assist the formulation of
Public Policies in Mozambique to combine socioeconomic development with nature
conservation.
Keywords: Dynamic modeling, deforestation, scenarios simulation, Manica - Mozambique.
vii
LISTA DE FIGURAS
Figura 1 - Área florestal total por província ………………………………………………..…...1
Figura 2 - Mapa dos diferentes tipos de vegetação natural de Moçambique ..................................4
Figura 3 - Zonas do mundo afetadas pela desflorestação ….………………………………….....4
Figura 4 – Comparação entre importações Chinesas e exportações Moçambicanas de madeira em
tora e serrada, 2007-2012 …………………………………………………………………..…..10
Figura 5 - Localização da área de estudo …………………………………………......……..….18
Figura 6 - População da província de Manica (1997-2017) …………………….……...……….21
Figura 7 - Fluxograma do modelo metodológico ……………………………………………….24
Figura 8 - Variáveis estáticas ……………….……………………………………...……….…..35
Figura 9 - Imagens classificadas da área de estudo. ……………………...……………...….….39
Figura 10 - Pontos de validação de campo da área de estudo ……………………...………...…41
Figura 11 - Fotos da área de estudo – Áreas de floresta e de Não Floresta …………...…........….42
Figura 12 - Forma de aquisição de direito de uso e aproveitamento dessa terra …….………….44
Figura 13 - Causa da expansão de áreas de produção ……………………………………….…..45
Figura 14 - Número de agricultores familiares de cada cluster por posto administrativo ……...51
Figura 15 - Clusters de agricultores familiares ………………………………………………...51
Figura 16 - Modelo conceitual do desmatamento na província de Manica – Moçambique ……54
Figura 17 - Relação do uso e cobertura da terra e aptidão agrícola ………….…………………55
Figura 18 - Aptidão agrícola das terras preservando a floresta ………………………………….56
Figura 19 - Variação de área de floresta 2007 – 2018 ………………………………………….57
Figura 20 - Variação dos pesos de evidência …………………………………………………..59
Figura 21 - Mapa de probabilidade de mudança 2018 …………………...….……………….....63
viii
LISTA DE TABELAS
Tabela 1 - Estimativas de taxa de desflorestação por província, MARZOLI, 2007 …………..….5
Tabela 2 - Imagens Landsat 5 e 8 órbita ponto 167/71-75 ……………………………...……....22
Tabela 3 - Qualidade da classificação associada ao índice Kappa …………………………..….26
Tabela 4 - Métricas da paisagem analisadas ……………………...…………………...……….27
Tabela 5 - Notas e pesos por cada fator de aptidão das terras ……………………….………….31
Tabela 6 - Níveis de aceitação encontrados nos valores do Índice de Kappa …..……………….39
Tabela 7 - Pontos de validação ……………………..……………………………………….….40
Tabela 8 - Métricas da paisagem ………………………………………………………………..42
Tabela 9 - Setor de atividade ………………………..…………………………………….…….43
Tabela 10 - Causas do desmatamento ………………….………………………………….……44
Tabela 11 - Aumento de área de produção ……………………….……………………….…….46
Tabela 12 - Toneladas de milho por hectare ……………...……….……………………………46
Tabela 13 - Teste de KMO e Bartlett ………………………………..……………….…………46
Tabela 14 - Variância total explicada ………….……………………………………….………47
Tabela 15 - Matriz das componentes …………………………………………………………...48
Tabela 16 - Centro final do Cluster ………………………………………………………….….50
Tabela 17 - Área das classes de uso e cobertura e da aptidão agrícola das terras ….....…….……55
Tabela 18 - Área de classes de uso e cobertura de terra e da aptidão agrícola preservando a
floresta……………………………………………………………………………………….....56
Tabela 19 - Quantificação das classes temáticas 2007 - 2018 …………...………………….…..57
Tabela 20 - Matriz de Transição 2007 – 2018 (single step) ………………..………………....…58
Tabela 21- Correlação entre mapas ……………………...………………………………….….61
Tabela 22 - Validação do índice de similaridade Fuzzy com diferentes tamanhos de janela …....62
Tabela 23 - Percentual de classe do mapa observado e simulado …….......………………….….62
Tabela 24 - Quantificação da probabilidade de cenários futuros ……………………………......64
Tabela 25 - Probabilidade de área desmatada entre 2019 a 2025 ………………...………….….64
ix
LISTA DE SIGLAS
AC – Autómatos Celulares
CAP – Censo Agropecuário
DDF – Desmatamento e Degradação Florestal
DNTF – Direção Nacional de Terra e Floresta
FAEF – Faculdade de Agronomia e Engenharia Florestal
IOF – Inquérito sobre Orçamento Familiar
INE – Instituto Nacional de Estatística
INPE - Instituto Nacional de Pesquisas Espaciais
LULCC – Land Use and Land Cover Change
MICOA – Ministério para a Coordenação da Acão Ambiental
MINAG – Ministério da Agricultura
MISA – Ministério de Agricultura e Segurança Alimentar
MITADER – Ministério de Terra, Ambiente e Desenvolvimento Rural
PEDPM – Plano Economico de Desenvolvimento da Província de Manica
SRTM - Shuttle Radar Topography Mission
TM – Thematic Mapper
x
SUMÁRIO
AGRADECIMENTOS ……………………………………...………….……………………….ii
RESUMO ………………………………………………………………………………………iii
ABSTRACT ………………………………………………………………….…………….…..iv
LISTA DE FIGURAS …………………………………………………………....………….…..v
LISTA DE TABELAS ……………………………………………………...……………….….vi
LISTA DE SIGLAS ………………………………………………………………..…………..vii
1. INTRODUÇÃO …………………………………………………………………..…………1
1.1 DESMATAMENTO E SUAS CONSEQUÊNCIAS AMBIENTAIS…….........................1
1.2 O CONTEXTO DO DESMANTAMENTO EM MOÇAMBIQUE ……………….……..2
1.3 CAUSAS DO DESMATAMENTO EM MOÇAMBIQUE ………………..………..……8
2. JUSTIFICATIVA E RELEVÂNCIA DO ESTUDO……..…………………………..…….11
3. OBJETIVOS ………………………………………………………….……………..…..…13
3.1 Objetivo geral ……………………………………………………………...……………13
3.2 Objetivos Específicos ……………………………………………………………....…...13
4. REFERENCIAL TEÓRICO ……………………………………………………….……....14
4.1 MODELAGEM DINÂMICA DO USO E COBERTURA DE TERRA …….……….….14
4.1.1 Análise Temporal da Paisagem …………….…………………………….……........15
4.1.2 Análise Espacial da Paisagem ………………………………………….……...…....15
4.1.3 Simulação de Cenários ……………………………………………………...........…17
5. MATERIAL E MÉTODOS …………….………………………………………..…….......18
5.1 ÁREA DE ESTUDO …………………………...…………………………………..…...18
5.1.1 Características físico-geográficas e socioeconómicas da província de
Manica……………………………………………………………………………....19
5.2 MATERIAL ………………………………………………………...…………….…….22
5.3 MÉTODOS ………………………………………………………….………………….24
5.3.1 Processamento digital de imagens ……………………………………………..…....24
5.3.1.1 Pré-processamento …………………………………………...……………..…..25
5.3.1.2 Classificação digital……………………………………………..…………..…..25
5.3.1.3 Validação da exatidão da classificação …………………………..………...…....26
5.3.2 MÉTRICAS DA PAISAGEM …………………………………………..…………..27
xi
5.3.3 CARACTERIZAÇÃO DO SISTEMA DE PRODUÇÃO DOS AGRICULTORES
FAMILIARES ……………………………………………………………………....28
5.3.4 AVALIAÇÃO DA APTIDÃO AGRÍCOLA DAS TERRAS ……………………….30
5.3.4.1 Níveis de avaliação da aptidão ……………………………………………….....30
5.3.5 MODELAGEM DINÂMICA …………………………………….……………...…32
5.3.5.1 Calibração do modelo …………………………………………………...……....32
5.3.5.2 Simulação e validação ………………………………………..………...…….....36
5.3.5.3 Obtenção de cenários futuros …………………………….…………...…………38
6. RESULTADOS …………………………………………………………….………….…..39
6.1 VALIDAÇÃO DA CLASSIFICAÇÃO …………………………………..………..…...39
6.1.1 Índice Kappa …………………………………………………………………...…...39
6.1.2 Validação de campo ………………………………………………….……………..40
6.2 QUANTIFICAÇÃO DAS MUDANÇAS NO USO E COBERTURA DO SOLO …..…42
6.2.1 Métricas da paisagem ……………………………………………………….……....42
6.3 CARACTERIZAÇÃO DO SISTEMA DE PRODUÇÃO DOS AGRICULTORES
FAMILIARES DA PROVÍNCIA DE MANICA ………………………….……….…...43
6.3.1 Análise de Componentes Principais ………………………………………..........….46
6.3.2 Análise de Clusters ………………………………………………………………….49
6.3.2.1 Caracterização dos clusters ……………………………………………………..50
6.3.3 Modelo conceitual do desmatamento na província de Manica ……………..……....52
6.4 APTIDÃO AGRÍCOLA DAS TERRAS ……………………………………..……...….53
6.5 CALIBRAÇÃO DO MODELO DINÂMICO DO DESMATAMENTO E ANÁLISE DA
PAISAGEM………………………………………………………………….……….....57
6.5.1 Matriz de transição ……………………………………………….…………………57
6.5.2 Pesos de evidência ………………………………………………………….….…....58
6.5.3 Correlação entre mapas ……………………………………………………..........…60
6.5.4 Simulação e validação ……………………………………………...……………….61
6.5.5 Obtenção de cenários futuros ……………………………………………….……….64
7. CONCLUSÃO E RECOMENDAÇÕES …………………………………………………..65
8. REFERENCIAS BIBLIOGRÁFICAS …………………………………………….………67
9. ANEXOS ……………………………..…………………………………………………....71
1
1. INTRODUÇÃO
1.1 DESMATAMENTO E SUAS CONSEQUÊNCIAS AMBIENTAIS
Desmatamento é entendido como operação/processo que objetiva/resulta na supressão
total da vegetação nativa de determinada área para o uso alternativo do solo (implantação de
projetos de assentamento de população, agropecuários; industriais; florestais; de geração e
transmissão de energia; de mineração; e de transporte) (IBAMA 2010). Com o processo de
desmatamento, uma área de floresta é convertida para uma área de não floresta (UNFCCC, 2011).
A FAO define floresta como terreno medindo mais de 0,5 hectares com árvores com altura
superior a 5 metros e cobertura de copa superior a 10%, ou árvores capazes de alcançar estes
parâmetros in situ.
Nos últimos 30 anos vários estudos foram realizados sobre as alterações no coberto
florestal mundial pelas organizações e instituições como a FAO, UNEP (United Nations
Environment Programme),WRI (World Resources Institute), entre outras. Pese embora tais
estudos divergirem quanto à metodologia e às conclusões específicas, mas no essencial todos
afirmam uma constatação geral da diminuição e contínua degradação das florestas, especialmente
nos países em desenvolvimento. O mundo perdeu mais de 3% da sua cobertura florestal entre
1990 e 2005 e cerca de 96% da desflorestação recente teve lugar nas regiões tropicais (Figura 1)
e a mais significativa perda líquida de coberto florestal registou-se entre 2000 e 2005 em dez
países - Brasil, Indonésia, Sudão, Mianmar, Zâmbia, República Unida da Tanzânia, Nigéria,
República Democrática do Congo, Zimbabué e Venezuela (FAO, 2007).
Figura 1: Zonas do mundo afetadas pela desflorestação. As zonas a vermelho ilustram as principais frentes ativas
de desflorestação (Fonte: CCE, 2008)
A redução do tamanho das manchas/fragmentos florestais naturais em todo o mundo tem
ocorrido como resultado, principalmente, de incêndios (DIAS, 2009), corte de árvores para
propósitos comerciais (MPF, 2015), devastação de terras para utilização da agropecuária
2
(RIVERO, 2009). Ao longo da história, indivíduos têm sempre se beneficiado da remoção de
árvores para usos diversos como fonte de energia, construções de habitações e tornar terra
disponível para agricultura. Em muitos aspetos, os desmatamentos que ocorrem atualmente em
regiões tropicais não são significativamente diferentes dos que ocorreram em regiões temperadas
séculos atrás (ARAES, 2012). O desmatamento, além de apresentar consequências no âmbito
local e regional, afeta também o planeta, resultando em mudanças climáticas causadas pela perda
do revestimento florestal, o efeito estufa causado pela queima de madeira, aumento da
sedimentação dos rios, erosão, degradação do solo e perda da biodiversidade (KITAMURA, 1994
e FEARNSIDE, 2005).
1.2 O CONTEXTO DO DESMANTAMENTO EM MOÇAMBIQUE
Moçambique é um país da África Austral que se situa entre a foz do Rio Rovuma e a
República da África do Sul, mais concretamente entre os paralelos 10° 27’ e 26° 56’latitude Sul
e os meridianos 30°12’ e 40°51’ longitude Este. Faz fronteira com a República da Tanzânia, a
Norte, Malawi, Zâmbia, Zimbabué, África do Sul e Swazilândia, a Ocidente, República da África
do Sul a Sul e é banhado pelo Oceano Índico em toda a sua extensão a Leste. O país ocupa uma
área de cerca de 799.380 km2 (CNDS, 2002, MAE, 2005) e, segundo dados do censo de 2017,
Moçambique conta com cerca de 28,9 milhões de habitantes e cerca de 70% da população vive
nas áreas rurais (INE, 2018). É um dos países com baixo índice de desenvolvimento humano
situando-se em 180 lugar dos 188 países (PNUD, 2018).
A República de Moçambique organiza-se territorialmente em províncias, distritos, postos
administrativos, localidades e povoações. Moçambique está dividido em 11 Províncias: ao Norte,
Niassa, Cabo Delgado e Nampula, ao Centro, Zambézia, Tete, Manica e Sofala, e a Sul,
Inhambane, Gaza, Maputo e Cidade de Maputo - a capital do país com estatuto de província
(CRM, 2004).
Em Moçambique, 70% do território está coberto por formações vegetais, sendo 51%
coberto por florestas e 19% por outras formações lenhosas. É um dos poucos países na região
que ainda mantém uma proporção considerável da sua cobertura com florestas naturais
(aproximadamente 45 milhões de hectares). Uma parcela com 30% de copa é considerada uma
floresta, de acordo com a definição nacional de floresta, mesmo que possua mais de 20% dos
assentamentos, agricultura ou outros tipos de uso (MITADER, 2018).
3
Cerca de metade da floresta natural (27 milhões de hectares) são consideradas florestas
produtivas com potencial para produção de madeira geralmente localizados fora de áreas de
protegidas (BERF 2017; FAO 2010 e MARZOLI 2007). Mais de 13 milhões de hectares de
florestas estão localizadas em áreas de conservação (MITADER, 2018)
Segundo MICOA (2009) e UETELA, (2014), oito tipos amplos de vegetação foram
descritos e mapeados para Moçambique sendo:
1. Floresta de Miombo com maior abrangência espacial (2/3 do território nacional),
dominando no norte e centro do país. A palavra “Miombo” provém de várias línguas
faladas no centro da África e é dominado por espécies de gênero Brachystegia,
Julbernardia, e Isoberlina angolensis (Fabaceas, Subfamília Caesalpinioideae). Na sua
forma original é fisionomicamente uma vegetação fechada, decídua a semidecídua,
constituída de um estrato arbóreo que varia entre os 10 e 20 metros de altura, quando
maduro e não degradado, de árvores de folhas pinadas.
2. Floresta de Mopane que ocorre nas partes do sul e do norte do país. O terceiro tipo de
vegetação mais frequente. Floresta de Mopane é um tipo de vegetação caracterizada pela
dominância da espécie arbórea Colophospermum mopane, sendo a única espécie de copa
em quase toda sua extensão e distribui-se habitualmente em unidades descontínuas.
3. Floresta Indiferenciada, que abrange extensas partes do sul, centro e partes do norte
do país.
4. Os tipos de vegetação remanescentes incluem Elementos Afromontane, Mosaicos
litorais, Vegetação Halofítica, Mangais e Vegetação de Pântano.
Em relação à distribuição da área florestal total, cerca de 40,1 milhões de hectares, as
províncias de Moçambique apresentam valores consideravelmente diferentes (Figura 2). As
Províncias do Niassa, Zambézia e Cabo Delgado são as mais representativas enquanto as
Províncias de Maputo, Inhambane e Nampula são as que apresentam uma área de floresta mais
reduzida (DNTF, 2008).
4
Figura 2: Área florestal total por província. Fonte: Falcão, 2013
Apesar deste grande potencial florestal, Moçambique enfrenta enormes desafios na gestão
destes recursos, em parte devido a grande demanda da indústria florestal, e pelo facto de cerca
de 85% das necessidades energéticas serem satisfeitas pela energia de biomassa (FALCÃO e
NOA, 2016). Cerca de 0.58% (219000 ha) da cobertura total perde-se anualmente (MARZOLI,
2007). Estudo desenvolvido pelo MITADER (2016), demonstra que cerca de 220000 hectares de
floresta perdem-se anualmente devido ao desmatamento (Figura 3). A conversão de áreas de
florestas em áreas de cultivo pela prática de agricultura itinerante é apontada como uma das
causas dominantes do desflorestamento.
Figura 3: Perda de cobertura florestal. Fonte: MITADER, 2016
Para além da expansão de áreas agrícolas, também constituem causas do desflorestamento
a exploração de combustíveis lenhosos para abastecimento dos centros urbanos e as queimadas
descontroladas. Essas práticas estão desflorestando vastas zonas do território a um ritmo
24%
13%
12%
11%
9%
9%
8%
7%
6%
2%
100%
Niassa
Zambezia
Cabo Delgado
Tete
Gaza
Manica
Sofala
Nampula
Inhambane
Maputo
Total
Pro
vin
cias
5
alarmante, especialmente ao longo dos corredores económicos e em redor dos principais centros
urbanos do país (MINAG, 2011). Segundo RIBEIRO e NHABANGA (2009), apenas 7 a 9% da
população total de Moçambique tem acesso à eletricidade, cabendo à restante população fazer o
uso da lenha, do carvão, petróleo e do gás. No entanto, o baixo acesso à eletricidade, não se deve
à baixa produção de energia no país, mas à priorização desta para exportação e industrialização.
Consequentemente, a coleta de lenha e a produção de carvão vegetal para efeitos de cozinha e
aquecimento representa mais de 85% do consumo total de energia no país.
Dados do estudo desenvolvido por MARZOLI, (2007) (Tabela 1) revelam que Manica é
uma das províncias com um grande potencial florestal porém, registra elevadas taxas de
desmatamento. Cerca de 348,000 hectares de floresta densa nesta província foram desflorestadas
de 1990 a 2002, correspondendo a uma taxa anual de 1.27%, adicionalmente um total de 85,132
hectares de florestas abertas foram desflorestadas. Combinando as duas categorias a taxa anual
de desflorestamento foi de 30,962 hectares por ano (0.81% da província por ano). A maior parte
das áreas desflorestadas foram convertidas para terras agrícolas. No sistema produtivo local
existem duas formas de utilização pousio longo (4 anos) e pousio curto (2 anos). A maior
mudança das florestas densas foi para a categoria de florestas com agricultura itinerante (pousio
de longa duração) (67%), em seguida para a categoria agricultura itinerante/florestas (pousio de
curta duração) (19%) e culturas agrícolas, principalmente o tabaco (7.5%).
Tabela 1: Estimativas de taxa de desflorestação por província, MARZOLI, 2007
Província
Área de
floresta e outras
coberturas
lenhosas
estimadas para 1990
Área de
floresta e
outras coberturas
lenhosas
estimadas
para 2002 ('000 ha)
Mudança
anual de florestas e
outras
coberturas
lenhosas ('000 ha)
Mudança
anual de
área de
florestas ('000 ha)
Taxa anual de
desflorestamento 1990-2002 (%)
Cabo Delgado 5322 4989 28 25 0.54
Gaza 5182 5027 13 13 0.33
Inhambane 4585 4424 13 11 0.52
Manica 4340 4005 28 23 0.75
Maputo 1280 1078 17 16 1.67
Nampula 3958 3509 37 33 1.18
Niassa 9635 9379 21 21 0.22
Sofala 4430 4161 22 20 0.63
Tete 7376 7025 29 27 0.64
Zambézia 5819 5356 39 31 0.71
Total 51927 48953 247 220 0.58
6
De acordo Constituição da República de 2004, o Estado Moçambicano deve promover
iniciativas para garantir o equilíbrio ecológico e a conservação e preservação do ambiente
visando a melhoria da qualidade de vida dos cidadãos (número 1 do artigo 117). O Estado
Moçambicano deve também garantir o direito ao ambiente no quadro de um desenvolvimento
sustentável sendo de destacar a política para garantir o aproveitamento racional dos recursos
naturais com salvaguarda da sua capacidade de renovação, da estabilidade ecológica e dos
direitos das gerações vindouras.
O elevado nível de pobreza em Moçambique constitui o principal constrangimento para
a gestão sustentável dos recursos naturais. A fome e a urgência de satisfação de necessidade
básica não permitem que a comunidade tenha um horizonte de planificação e uso dos recursos
em longo prazo (NHANTUMBO e MACQUEEN, 2002). Assim, o Governo de Moçambique
definiu, na sua Política e Estratégia de Florestas e Fauna Bravia o objetivo social referente ao
“envolvimento das comunidades locais no manejo e conservação dos recursos florestais”, tendo
em consideração a dependência das comunidades dos recursos naturais. Com base nesse
conhecimento, surgiram as iniciativas de manejo comunitário dos recursos naturais que visam
melhorar simultaneamente as condições de vida das comunidades rurais e garantir a participação
e a gestão sustentável dos recursos disponíveis (CUCO, 2005).
Estudos recentes sobre o desmatamento em Moçambique (CEAGRE & WINROCK,
2016, MITADER 2016) demonstram uma tendência cada vez mais crescente deste problema
causado principalmente por dois processos: 1) expansão da agricultura itinerante e 2) exploração
de madeira, carvão vegetal e lenha. SITOE e SÁ-NOGUEIRA (2017) fazem referência da
insustentabilidade dos atuais níveis de desflorestamento na perspetiva económica e ambiental.
A expansão e a intensificação da agricultura é vista pelo Governo de Moçambique como
sendo importante para o aumento da produção e produtividade agrária e para aumentar sua
competitividade de modo a garantir a segurança alimentar e renda dos produtores rurais
(MINAG, 2011). Através do plano estratégico para o desenvolvimento do setor agrário (2011 –
2020), o Governo pretende que: A agricultura cresça, em média, pelo menos 7% ao ano. As
fontes de crescimento serão a produtividade (ton/ha) combinada com o aumento da área
cultivada, perspetivando duplicar os rendimentos em culturas prioritárias e aumentar em 25%
a área cultivada de produtos alimentares básicos até 2020, garantindo a sustentabilidade dos
recursos naturais.
7
Dado o fato da expansão de áreas agrícolas (paradoxalmente incentivado pelo Governo
de Moçambique) constituir principal causa do desmatamento, têm sido apontadas várias
iniciativas para estancar essa expansão dentre as quais a intensificação da produção e aumento
da produtividade e a prática de agricultura de conservação associado ao uso de tecnologias limpas
de baixo capital que garantam a maximização de rendimentos e lucros (EGAS, et al, 2016,
SITOE, A., SALOMÃO, A. & WERTZ-KANOUNNIKOFF, S 2012, e GRAINGER et al 2002)
De acordo com KISSINGER et al, (2012), numa economia de elevada demanda por
produtos agrícolas e commodities, o aumento da produtividade não reduz a expansão de áreas
agrícola. Para que essa medida não provoque o desmatamento, é imprescindível que seja
combinada com outras medidas tais como o zoneamento da terra e atribuição do direito de uso e
aproveitamento de terra. Muitos países adotam a estratégia da intensificação da agricultura para
o combate de vetores do desmatamento no entanto, não se faz a explicita ligação espacial ou
politica entre a estratégia da intensificação e a reutilização de áreas agrícolas abandonadas (em
pousio) ou degradadas (KISSINGER et al, 2012).
Para além do que tem sido proposto, torna necessário a identificação de áreas adequadas
para a intensificação da agricultura ou seja, é importante definir onde é possível e desejável
intensificar. A identificação da variabilidade espacial da aptidão agrícola é essencial para um
planejamento adequado do uso de terra nas pequenas propriedades de agricultores familiares e
assim, limitar sua expansão garantindo deste modo a preservação de áreas florestais
remanescentes. Não basta avançar com estratégia de expansão e intensificação da agricultura sem
se alicerçar numa base técnica cientifica que permita orientar o uso mais adequado das terras pela
identificação de suas potencialidades ou limitações.
A disponibilidade de área para expansão da agricultura é, sem dúvida, um dos principais
direcionadores de tomada de decisão para o uso adequado das terras sem comprometer a
sustentabilidade dos recursos ambientais. Segundo RAMALHO FILHO e PEREIRA (1999), o
conhecimento da aptidão de terras é fator de grande importância para propiciar o uso adequado
da oferta ambienta1 e, sobretudo, evitar possível sobreutilizacão dos recursos naturais. Para
SUGAMOSTO, (2002) a utilização dos sistemas de informação geográfica (SIG) na avaliação
de aptidão das terras pode minimizar o grau de subjetividade de estimativas feitas a partir de
cruzamentos que anteriormente eram realizados de forma manual.
8
A avaliação da aptidão agrícola possibilita não apenas identificar o potencial produtivo
das terras, nas suas diferentes categorias de uso e manejo, mas também oferece importantes
subsídios para planejamento do uso e manejo do solo de forma sustentável (NETO et al, 2018).
No caso específico de Moçambique, a definição de áreas adequadas para uma maior
produção e rendimento pode limitar a expansão de áreas agrícolas e permitir o manejo adequado
de terras para fins agrícolas. É nessa ótica que achamos pertinente a avaliação da taxa de
adequação das terras para o uso agrícola de modo a subsidiar o planejamento de pequenas
propriedades de agricultores familiares da região centro da Província de Manica em
Moçambique.
1.3.CAUSAS DO DESMATAMENTO EM MOÇAMBIQUE
Estudo desenvolvido pelo CEAGRE e WINROCK INTERNATIONAL 2016, concluiu
que as causas de desmatamento em Moçambique são na realidade múltiplas e complexas, e que
muitas das causas diretas agem de forma combinada sendo por vezes difíceis de separar, podendo
numa mesma região atuar em combinação num mesmo período de tempo ou em sequência. Com
base na análise levada a cabo neste estudo, sete sistemas de múltiplos agentes e causas de
desmatamento agindo em interação são propostos, apresentando um conhecimento compreensivo
das sinergias e interações sistémicas entre agentes e causas de desmatamento singulares. Estes
sete sistemas descrevem as interações sistémicas entre múltiplos agentes, e são dominados por:
1. Agricultura comercial – S1
2. Agricultura itinerante ou familiar de pequena escala – S2
3. Exploração de produtos florestais – S3
4. Lenha e carvão – S4
5. Expansão urbana e outras infraestruturas – S5
6. Mineração – S6
7. Pecuária – S7.
O resultado mais evidente é a dominância do sistema representado por agricultura
itinerante (S2) como principal causa de desmatamento, tendo a proporção de desmatamento
associado a este sistema variado entre 72% nos distritos da região Centro e Norte de Moçambique
e 59% nos distritos do Sul do país. A expansão urbana (S5) também representa uma proporção
9
considerável (12%), sobretudo no Sul do país (23%). O tipo de floresta também influencia na
taxa de desmatamento, por exemplo, a floresta de mopane é a mais afetada pela produção de
carvão, exploração madeireira e pastagem. As florestas de miombo são as mais afetadas pela
expansão de áreas agrícolas (CEAGRE & WINROCK INTERNATIONAL, 2016).
A agricultura de subsistência é a maior causa do desmatamento, devido à necessidade
constante de abertura de novos campos agrícolas, motivada pelo baixo rendimento das
explorações agrícolas e pelo crescimento populacional (SITOE, A., SALOMÃO, A. & WERTZ-
KANOUNNIKOFF, S, 2012).
A exploração de madeira comercial tem vindo a crescer nos últimos anos, em resultado
da crescente demanda dos mercados asiáticos (SITOE, A., SALOMÃO, A. & WERTZ-
KANOUNNIKOFF, S 2012). Esta crescente demanda também tem motivado um aumento das
exportações ilegais, tendo sido estimado que o volume exportado ilegalmente é o dobro do
volume licenciado (FAEF, 2013).
Um estudo da Environmental Investigation Agency (EIA) publicado em 2013 indica que
em 2012, o Governo de Moçambique registrou exportações de 260.385 m3 de madeira em tora e
serrada, enquanto por exemplo a China registrou importações de 450.000 m3 de madeira em tora
e serrada proveniente de Moçambique (EIA, 2013). A discrepância é de 189.615 m3, constituída
quase inteiramente de madeira em tora ilegalmente exportada para fora de Moçambique por
empresas Chinesas, e provavelmente composta primariamente por espécies de 1ª classe – as quais
se encontram proibidas de serem exportadas em tora (Figura 4) (FALCÃO, 2013).
10
Figura 4: Comparação entre importações Chinesas e exportações Moçambicanas de madeira em tora e serrada,
2007-2012
Mais de 90% da produção de carvão em Moçambique é ilegal, havendo poucas licenças
florestais para a produção de carvão (CUVILAS et al., 2010), o que implica que não há uma
exploração com reposição das árvores cortadas. Em resultado desta falta de reposição, o elevado
consumo per capita 1,2 m3/ano, (BROUWER e FALCÃO, 2004)), especialmente perto dos
grandes centros de consumo (CUVILAS et al., 2010), resulta na redução da cobertura florestal
nos locais de produção.
A expansão urbana tem vindo a aumentar nos últimos anos, em resultado do crescimento
populacional e migração das zonas rurais para zonas urbanas, especialmente no sul do país
(SITOE, A., MIRIRA, R. & TCHAÚQUE, F 2007). A expansão urbana está também muito
interligada com a produção de carvão, devido ao facto deste constituir a principal fonte energética
nos principais centros urbanos (ATANASSOV et al., 2012).
0
50000
100000
150000
200000
250000
300000
350000
400000
450000
2007 2008 2009 2010 2011 2012
m3
Importacoes registradas pela China de madeira em toro e serrada proveniente de Mocambique
Exportacoes registradas por Mocambique de madeira em tora e serrada a nivel mundial
11
2. JUSTIFICATIVA E RELEVÂNCIA DO ESTUDO
Em Moçambique, as mudanças na cobertura florestal foram reportadas pelo inventário
florestal de MARZOLI (2007), e ocorrem sobretudo, ao redor de grandes cidades, corredores de
desenvolvimento, áreas de conservação, assim como em florestas de gestão comunitária
(SAKET, 1994). É um fenómeno comum em Moçambique e é resultado do corte seletivo de
árvores (exploração madeireira), queimadas descontroladas ou abertura de pequenas áreas de
machambas dentro de áreas de vegetação densa ou esparsa (SITOE, A., SALOMÃO, A. e
WERTZ-KANOUNNIKOFF, S. 2012), desta forma, áreas de cobertura vegetal densa são
convertidas em áreas de vegetação esparsa ou em áreas agrícolas e de cidades e vilas.
O desmatamento em Moçambique está associado a forte dependência da população em
relação aos recursos naturais, visto que cerca de 80% da população total depende dos recursos
florestais para sua subsistência. Estudos mostram que a elevada dependência da população
moçambicana em relação aos recursos florestais, associado ao lento crescimento das florestas
naturais pode levar a escassez dos recursos florestais num futuro próximo caso este cenário
prevaleça (NHANTUMBO et al, 2009). As florestas desempenham um papel preponderante na
economia moçambicana e nos modos de vida da população rural. O setor de florestas contribui
com cerca de 3% a 4% do PIB do país e além disso, satisfaz as necessidades básicas da população
rural, no que concerne a comida, combustível, abrigo, medicamento e subsistência (MITADER,
2016 e BILA, 2005).
O monitoramento do desmatamento com o uso de dados de sensoriamento remoto e
técnicas de geoprocessamento, associados ao desenvolvimento de modelagem espacialmente
explícita podem contribuir para melhor compreensão das variáveis relacionadas ao
desmatamento, permitindo também a simulação de prováveis trajetórias futuras deste fenômeno
(MATRICARDI et al, 2017).
As pesquisas com modelagem se apresentam como ferramenta que pode contribuir para
o melhor entendimento dos efeitos de atividades antrópicas sobre os recursos naturais. Os
modelos podem predizer possíveis trajetórias de impactos ambientais, utilizando informações das
práticas do passado (MATRICARDI, 2017).
Segundo SOARES-FILHO et al., (2007) modelos espaciais de simulação têm-se tornado
um importante instrumento de auxílio ao ordenamento territorial, considerando que qualquer
12
planejamento regional ou estratégia de conservação ambiental que não leve em conta o fator
tempo está fadado ao insucesso. Portanto, modelos espaciais de simulação, que realisticamente
reproduzem padrões espaciais de mudanças, são, hoje, requisito para o entendimento e avaliação
de complexas questões ambientais em escalas local, regional e global.
A construção de políticas voltadas para a conservação do meio natural pode utilizar-se da
modelagem espacial visto que a mesma permite aos planejadores: ter uma visão global do
ecossistema estudado, ultrapassando limites territoriais definidos pelo homem; identificar as
variáveis-chaves que influenciam no processo de mudanças no uso do solo naquela localidade e
criar mecanismos específicos para as mesmas; alem de facilitar a integração dos objetivos de
planejamento no âmbito local e regional (MORAN-ORDONÉZ et al, 2011).
Em Moçambique são escassos estudos sobre a modelagem dinâmica do desmatamento
com perspetiva de simular cenários futuros. A reduzida investigação nessa área pode constituir
entrave para uma eficiente definição de estratégias de conservação e preservação de recursos
ambientais e, constitui desafio para a presente pesquisa trazer um suporte científico da simulação
de cenários futuros de desmatamento de modo a que os tomadores de decisão vislumbrem com
antecedência os possíveis danos e assim, auxiliar na definição de políticas públicas e tomada de
decisão mais consentânea para um planejamento eficiente de uso de recursos florestais na região
de estudo assim como em outras regiões de Moçambique que experimentam cenários idênticos
de desmatamento.
A proteção de áreas florestais remanescentes associada à prática de agricultura de
conservação pode garantir o equilíbrio dos ecossistemas proporcionando maior produtividade,
geração de renda e redução da pobreza nas comunidades rurais moçambicanas. Por isso, torna
imprescindível a avaliação da aptidão agrícola das terras associada a dados de desmatamento
para auxiliar na identificação de áreas com elevado potencial de produção agrícola e que as
mesmas não coincidam com áreas de florestas.
Ao longo desse trabalho pretendemos estudar o processo de desmatamento à escala
nacional e regional tendo como área de estudo a província de Manica. Nesta perspetiva, busca-
se responder o seguinte questionamento para o presente estudo: Como a modelagem dinâmica
do desmatamento pode contribuir para a definição de políticas públicas capazes de conciliar
desenvolvimento socioeconómico e preservação da floresta nativa e seus serviços ambientais?
13
3. OBJETIVOS
3.1 Objetivo Geral
Analisar a dinâmica do desmatamento e efetuar a simulação de cenários na
Província de Manica - Moçambique.
3.2 Objetivos Específicos
Quantificar as mudanças no uso e cobertura do solo entre os anos de 2007 a
2018;
Caracterizar a dinâmica da agricultura familiar através do desenvolvimento
de uma tipologia de agricultores
Identificar variáveis espaciais relacionadas com desmatamento especialmente
o papel da intensificação da agricultura para redução do desmatamento;
Construir e validar o modelo dinâmico de desmatamento e efetuar a simulação
de cenários de intensidade e localização de desmatamento;
14
4. REFERENCIAL TEÓRICO
4.1 MODELAGEM DINÂMICA DO USO E COBERTURA DE TERRA
O termo modelo refere-se a uma abstração da realidade, que se aproxima do
comportamento que se observa em um sistema, mas que inevitavelmente é mais simples do que
o próprio sistema real (ABDALLA et al, 2015). Para SOARES-FILHO (1998), o termo modelar,
pode ser visto como a tentativa de representar a realidade de forma simplificada. Ainda de acordo
com SOARES-FILHO (1998) a modelagem é o processo de pesquisa que leva a geração do
modelo (representação) de um sistema, o qual se desenvolve definindo um conjunto de hipóteses
ou predições que podem ser comparadas com medidas do mundo real. O modelo pode ser aceito,
rejeitado ou modificado para novamente ser testado dependendo da concordância entre o
resultado deste e o observado.
A questão de mudanças nos padrões de Uso e Cobertura da Terra tem despertado
interesse, dentro e fora do meio científico, devido ao acelerado processo de mudança das últimas
décadas e aos possíveis impactos ambientais e socioeconômicos dessas mudanças, os quais
causam preocupações desde o nível local até o global (AGUIAR, 2002)
A questão mais importante que se coloca atualmente é a sustentabilidade do
desenvolvimento, e o balanço adequado entre as questões sociais, econômicas e ambientais
envolvidas. Devido a essas preocupações, inúmeras iniciativas tem ocorrido no sentido de: (a)
entender os processos de mudanças de uso e cobertura do solo e seus principais fatores
determinantes; (b) diagnosticar regiões de maior incidência de mudanças e projetar áreas de risco
em curto prazo; (c) prever a intensidade e/ou a localização das mudanças a médio e longo prazo;
e (d) analisar os impactos de tais mudanças. O processo de mudança e seus impactos têm sido
observados e analisados por diversas disciplinas (ecologia da paisagem, economia, etc.), em
diferentes escalas (local, regional e global), mas, na maior parte das vezes, de modo não integrado
(AGUIAR, 2002).
SANTOS (2004) explica que a partir de uma escala espacial e temporal, podem ser
construídos cenários pela interpretação das mudanças ocorridas no uso da terra, que podem
resultar em mapas ambientais, que por sua vez vêm a contribuir para planejamento ambiental
sendo de destacar dois processos de estudo inseridos nessa temática: a análise temporal da
paisagem e a modelagem dinâmica espacial.
15
4.1.1 Análise temporal da paisagem
A análise temporal da paisagem segundo HUANG et al. (2000), tornou-se possível a
partir da disponibilidade de imagens de satélite de uma mesma região da Terra ao longo do
tempo, que permite a realização de comparações dos dados de diferentes períodos em uma
dimensão temporal. O geoprocessamento permite a comparação de cenários para comparação de
séries de dados temporais, resultando na deteção das mudanças ocorridas em uma superfície,
tornando possível a interpretação do modelo de uso e cobertura da Terra SANTOS (2004).
4.1.2 Modelagem dinâmica espacial
Um modelo para ser dinâmico, segundo WEGENER, et al (1986), precisa possuir uma
dimensão temporal explícita, entradas e saídas variando de acordo com o tempo e estados atuais
dependendo dos anteriores.
A modelagem dinâmica espacial presta-se a simular, em ambiente computacional,
fenômenos do mundo real que possuem uma dimensão tanto espacial quanto temporal. Modelos
dinâmicos espaciais envolvem uma ampla gama de aplicações, que compreendem a simulação
de incêndios florestais, escoamento superficial e enchentes, expansão de epidemias, migração de
espécies florestais, circulação de pedestres e veículos, mudanças de uso e cobertura da terra como
expansão urbana, desmatamento, entre outras (SOARES-FILHO et al., 2002; ALMEIDA, 2003).
Para BENEDETTI (2010), a modelagem dinâmica tem como propósito simular mudanças
espaço-temporais nos atributos do meio ambiente atreladas a um território geográfico, e permite
avaliar como um sistema evolui diante um conjunto de circunstâncias definidas pelo modelador
entendendo os mecanismos que influem na determinação da função de mudança.
Os modelos de simulação dinâmica se desenvolvem mais dedutivamente e tomam como
ponto de partida o que se conhece sobre um sistema e o utiliza para informar pressupostos de um
modelo e avaliar o comportamento do sistema. Isso também libera a modelagem de simulação
dinâmica de exigências para trabalhar somente com unidades espaciais à mão em dados
disponíveis (PERZ et al, 2009).
Os modelos dinâmicos de simulação de mudanças de uso e cobertura da terra tentam
replicar possíveis padrões da evolução da paisagem e assim possibilitar a avaliação de futuras
implicações ecológicas sobre o meio ambiente (SOARES-FILHO et al., 2002).
16
Os modelos espaciais dinâmicos têm a função de realizar simulações matemáticas de
processos identificados no mundo real, onde se observa a mudança de variáveis e, em
consequência a variações de suas forças direcionadoras (BURROUGH, 1998). Segundo
SOARES-FILHO (1998), são os modelos mais complexos e detalhados, dentre os modelos de
paisagem, e tem a capacidade de modelar a tendência da configuração e divisão da paisagem. É
este tipo de modelo que gera os mapas de mudanças.
Os modelos espaciais, segundo SOARES-FILHO (1998), vêm se tornando cada vez mais
importantes, resultado da vasta disponibilidade de dados espaciais obtidos pelo sensoriamento
remoto e da possibilidade de processamento desses dados através dos SIGs. Portanto, os modelos
dinâmicos espaciais possuem capacidade de modelar uma paisagem, sua configuração e
localização.
Os modelos de alteração do uso do solo são uteis aos planejadores, pois possibilitam
compreender a dinâmica das atividades humanas, verificar seus efeitos no presente e tentar prever
seus impactos no futuro a fim de concentrar esforços nos pontos críticos, constituindo-se em uma
ação preventiva (PONTIUS, CORNELL, HALL 2001). A construção de políticas voltadas para
a conservação do meio natural pode utilizar essa ferramenta visto que a mesma permite aos
planejadores: ter uma visão global do ecossistema estudado, ultrapassando limites territoriais
definidos pelo homem; identificar as variáveis-chaves que influenciam no processo de mudanças
no uso do solo naquela localidade e criar mecanismos específicos para as mesmas; alem de
facilitar a integração dos objetivos de planejamento no âmbito local e regional (MORAN-
ORDONÉZ et al, 2011).
Não há modelo perfeito que represente a realidade, nem existe um modelo único;
entretanto, pode existir aquele que melhor descreve determinado fenômeno (ABDALLA et al,
2015). Dependendo da concordância entre o observado e o simulado, o modelo será aceito,
rejeitado ou modificado, para novamente ser testado (SOARES-FILHO, 1998).
Na modelagem dinâmica de uso e ocupação de terra é importante definir principais classes
de variáveis estáticas para melhor compreender o direcionamento das mudanças. E segundo
XIMENES et al. (2008) a escolha adequada das variáveis explicativas é determinante para o
sucesso do uso de modelos, pois com base nas suas relações com a variável dependente, são
definidas as células com maior ou menor probabilidade de transição de cobertura da terra.
17
4.1.3 Simulação de cenários
O objetivo imediato do desenvolvimento de cenário é vislumbrar múltiplas trajetórias
plausíveis de mudança, dada a incerteza sobre o futuro. Essa projeção frequentemente é feita
mediante a colaboração entre cientistas, formuladores de políticas públicas e gestores informados
sobre a região e suas questões de interesse (PERZ et al, 2009).
Para MACEDO et al (2013), através de modelagem, é possível propor cenários
prospetivos, os quais podem representar a continuidade das alterações pretéritas (cenários
estacionários), simular alterações prescritas (cenários prescritivos), ou ainda, explorar diferentes
conjeturas político-socioeconômicas (cenários exploratórios não-estacionários).
Com cenários em mãos, podem-se identificar as forças que determinam resultados
desejáveis e não desejáveis da mudança, as quais, por sua vez, dão suporte às formulações de
políticas públicas e ações sociais de modo a encorajar as desejáveis e desencorajar as indesejáveis
(PERZ et al, 2009).
Uma questão chave para o desenvolvimento de cenário quantitativo diz respeito à escala
temporal dos cenários; cenários de mais longo prazo devem ser considerados mais especulativos
do que prováveis em razão das incertezas crescentes sobre as mudanças projetadas para períodos
mais longos de tempo. Retroalimentações a partir de mudanças iniciais, surpresas (“choques”), e
outras fontes de mudanças não lineares tornam os cenários de longo prazo mais difíceis de serem
articulados plausivelmente e em detalhes (PERZ et al, 2009).
18
5. MATERIAL E MÉTODOS
5.1 ÁREA DE ESTUDO
A área de estudo compreende a província de Manica (Figura 5) situada na região centro
de Moçambique, sendo limitada a norte pelo rio Zambeze e Luenha que a separa da província de
Tete, a sul pelo rio Save que a separa da província de Inhambane e Gaza, a oeste pela fronteira
com Republica do Zimbabwe e a leste encontra-se a província de Sofala. Tem uma área de
61 661 km² e uma população de 1 911 237 habitantes de acordo com o censo geral da população
e habitação de 2017.
Figura. 5: Localização da área de estudo
A Província está dividida em 10 distritos nomeadamente, Barué, Gondola, Machaze,
Macossa, Mossurize, Sussundenga, Guro, Tambara e a cidade de Chimoio. É nesta Província
onde se localiza o ponto mais alto do país, o monte Binga, com 2436 m de altitude.
19
5.1.1 Caracterização físico-geográfica e socioeconómica da província de Manica
A Província de Manica é caracterizada por um clima tropical alterado pela altitude (altitude
mínima de 100m e máxima 2436m) com tendência para quente e úmido, com duas estações distintas:
Uma chuvosa, a qual é quente e húmida, estende-se de Novembro a Março, sendo seguida por
uma estação seca e relativamente fria entre Abril e Outubro (BAZIMA et al., 2011).
As temperaturas médias no verão são de 20ºC e ocorrem em metade da província. Contudo,
as temperaturas mais quentes (25ºC) ocorrem nos vales do Save e do Zambeze. As temperaturas mais
amenas (15 a 20ºC) ocorrem nos distritos de Gondola, Manica, Mossurize, Barué e nas zonas
montanhosas junto à fronteira com o Zimbabwe (PEDPM, 2015).
Em relação aos aspetos de relevo, a província é constituído por três zonas altimétricas,
designadamente áreas de montanhas, planaltos e planícies. As montanhas situam-se
essencialmente no extremo Oeste, com mais de 1000m de altitude, junto a fronteira com o
Zimbabwe. É nesta zona que se localizam os pontos mais altos da província, nomeadamente: O
Monte Binga, localizado na cordilheira de Chimanimani com 2.436m, por sinal o pico mais alto
do País; O Monte Gorongue, localizado na Serra de Espungabera com 1.887m e; A Serra Choa,
localizada no Posto Administrativo do mesmo nome, com 1.844m (BAZIMA, et al, 2011).
Os planaltos com altitudes que variam entre 200 e 1000m localizam-se na região Central
e Este, e ocupam cerca de 70% da área da província. As planícies, com altitudes que variam de
100 a 200m estão localizadas no extremo Sudeste da província (BAZIMA, et al, 2011).
Ocorrem na Província de Manica três tipos de solos principais: os francos argilosos-
arenosos vermelhos com camada superficial mais leve, profundidade variável, fertilidade baixa
e suscetíveis à erosão, estão localizados na faixa Central e Norte; os solos arenosos, com
fertilidade muito baixa e baixa retenção de água, localizam-se no Sul e no extremo Nordeste; e,
os solos pesados, de difícil lavoura, localizam-se a Sul da província (MAE, 2014 e BAZIMA et
al., 2011).
Quanto à hidrografia, a província de Manica possui quatro principais bacias hidrográficas
que são: Bacia do Zambeze, no extremo Norte é constituída pelo rio do mesmo nome. É o maior
rio de Moçambique e o quarto maior do continente africano; Bacia do Púnguè - Nasce no
Zimbabué e segue para leste. Em território inteiramente moçambicano, ruma para sueste, bordeja
o limite meridional do Parque Nacional da Gorongosa e desagua a norte da baía de Sofala,
formando um estuário baixo e pantanoso em cuja margem esquerda se situa a cidade da Beira;
20
Bacia do Búzi - Nasce no lado moçambicano da fronteira com o Zimbabué, seguindo depois
sensivelmente de sudoeste para nordeste, até desaguar imediatamente a sul do estuário do Púnguè
e; Bacia do Save - Nasce no Zimbabué e corre de norte para sul até à confluência com o Runde,
a partir da qual inflete para leste e penetra em território inteiramente moçambicano e vai desaguar
no Oceano Índico, junto à povoação de Mambone, entre a baía de Sofala e a ilha do Bazaruto
(BAZIMA, et al, 2011).
A vegetação da província de Manica é predominantemente constituída por floresta de
miombo com estratos diferenciados (altos, médios e baixos), cobrindo cerca de 25.2% de
cobertura florestal total. As espécies dominantes neste tipo de vegetação são Brachystegia
speciformis frequentemente misturada com Jubernardia globiflora e Isoberlinia spp.; savanas
(árvores e arbustos) cobrindo 13.5%; floresta de mopane (aberta e fachada) cobrindo 10.1% e
áreas de florestas com mosaico de agricultura itinerante ocupando 13.2% (JANSEN et al., 2008,
e MICOA, 2014).
De acordo com os resultados do Censo de 2017, a província de Manica tem 1911237
habitantes em uma área de 61 661km² e, portanto, uma densidade populacional de 31 habitantes
por km². O valor de 2017 representa um aumento de 472851 habitantes (32,9%) em relação aos
1438386 residentes registados no censo de 2007.
De acordo com as projeções do INE (2018) para o ano de 2030, a província de Manica
terá 3 056 583 habitantes, sendo 684 033 na área urbana e 2 372 550 na área rural.
A província de Manica registra elevadas taxas de mortalidade infantil (75/1000 nados
vivos), uma baixa expectativa de vida (49,4 a 53,6 anos), e um número elevado de crianças por
mulher (6 por mulher).
De acordo com IOF (2008 – 2009), a incidência de pobreza da Província é de 55,1% com
uma taxa abaixo da linha de pobreza abaixo de 15,2%.
21
Figura 6: População da província de Manica (1997-2017). Fonte: INE, 1997, 2007 e 2018
Predomina na província de Manica agricultura familiar caracterizada por uma forte
dependência a condições naturais e baixa produtividade. Em relação aos produtos básicos
alimentares a Província de Manica produz, de entre vários, o milho (93%), Feijão Nhemba (53%),
Mapira (44,4%) e batata-doce (11%). Na mesma perspetiva, as culturas de rendimento mais
cultivadas são: O girassol com 24%, o Chá (32%), Trigo (23, 7%), Gergelim (12, 4%), Paprica
(23%) e a Jatrofa com 30% (INE, 2011).
171,0
56
81,0
02
184,6
29
45
,68
0
75,8
04
13,9
69
155,7
31
122,2
44
92,6
22
31,4
71
241,8
27
139,6
64
263,4
54
69
,62
2
104,8
14
27,6
36
219,3
46
198,0
94
131,3
47
42,5
81
372,8
21
185,1
79 2
86,7
35
96
,93
0
129,0
99
48,6
48
379,0
64
219,5
51
168,2
00
54,9
48
0
50,000
100,000
150,000
200,000
250,000
300,000
350,000
400,000
POPULAÇÃO DA PROVINCIA DE MANICA POR DISTRITO (1997-
2017)
1997 2007 2017
22
5.2 MATERIAL
Para a modelagem dinâmica do desmatamento na província de Manica foram utilizado os
seguintes materiais:
1. Imagens do satélite Landsat 5 TM referente ao ano de 2007 e, Landsat 8 OLI
Operational Land Imager) referente aos anos de 2015 e 2018 com as órbitas/pontos
167/75 e 168/71-75, resolução espacial 30 m, que cobrem a área de estudo em período
seco (Agosto) e sem interferência de nuvens, disponibilizadas gratuitamente no site do
Earth Explorer (http://earthexplorer.usgs.gov/) (Tabela 2).
Satélite Data de
Aquisição
Orbita/ponto Resolução
espacial
Bandas
espectrais
usadas
Intervalo
Espectral
(μm)
Landsat 05
08 / 2007 167/75
168/71-75
30
3
4
5
(0,63-0,69)
(0,76-0,90)
(1,55-1,75)
Landsat 08
08 / 2015
e
08 / 2018
67/75
168/71-75
30
4
5
7
(0,64-0,67)
(0,85-0,88)
(2,11-2,29)
Tabela 2 - Imagens Landsat 5 e 8 órbita ponto 167/71-75, selecionadas nos diferentes anos
analisados.
Essas imagens foram pré-processadas e classificadas pelos Sistemas de Informação
Geográfica (SPRING 5.5.2, ArcGis 10.2.1 e QGis 3.2.3).
2. Imagens SRTM (Shuttle Radar Topography Mission), adquiridas em formato matricial
Tiff/GeoTiff, que foram usadas para compor um Modelo Numérico do Terreno (MNT),
gerando um mapa de declividade da área de estudo.
3. Dados vetoriais da área de estudo (limite administrativo da província, hidrografia, rede
viária, solo e relevo) disponibilizados pela CENACARTA (Centro Nacional de
Cartografia e Teledeteção) - www.cenacarta.com. Os mesmos foram posteriormente
rasterizados.
23
4. O software ArcGis versão 10.2.1 para o pré-processamento de imagens Landsat e
geração do layout dos mapas de uso do solo e mapas simulados dos cenários futuros
da área de estudo.
5. O software QGis 3.2.3 para o pré-processamento de imagens Landsat especificamente
para a correção atmosférica.
6. O software Sistema de SPRING (Processamento de Informações Georreferenciadas)
versão 5.5.2 gratuita obtida no site do INPE (Instituto Nacional de Pesquisas
Espaciais), utilizado na classificação de imagens Landsat para a geração das classes
de uso e cobertura de terra no qual foi criado um banco de dados para o armazenamento
das informações processadas.
7. O Software FRAGSTATS 4.2.1. para a quantificação da estrutura da paisagem e função
de sua cobertura florestal através do cálculo de métricas da paisagem.
8. O software estatístico SPSS (Statistical Package for the Social Sciences), versão 19
para análise de dados de entrevista de modo a conhecer o padrão e funcionamento dos
sistemas de produção e sua relação com o desmatamento.
Como plataforma para simulação foi utilizado neste estudo o software DINAMICA EGO
(Environment for Geoprocessing Objects). O DINAMICA EGO se baseia em um algoritmo de
Autômato Celular, sendo um modelo de simulação espacial da dinâmica da paisagem (SOARES-
FILHO et al, 2007). Num estudo comparativo entre programas para modelagem de mudanças de
uso e cobertura da terra (CLUE, DINAMICA EGO, CA_MARKOV e Land Change Modeler),
MAS et al (2014) apontam DINAMICA EGO como aplicativo com maior potencial, devido a
sua grande flexibilidade e possibilidade de interação com outras ferramentas.
24
5.3 MÉTODOS
Os principais passos metodológicos aplicados para o presente estudo estão descritos no
fluxograma da figura 4.
Imagem satélite
Pré-processamento
Classificação
Imagens
Multitemporais
Modelo conceitual do
desmatamento
Mudança de
uso e
cobertura e
Modelagem
dinâmica
Caracterização
do Sistema de
produção e
sua relação
com causas do
desmatamento
Matriz de Transição
Obtenção de
Cenários futuros
Figura 7: Fluxograma do modelo metodológico
Solo
Declividade
Altitude
Temperatura
Precipitação
Avaliação da
Aptidão
Agrícola das
terras para
redução do
desmatamento
Rios
Uso de Terra
Serviços de
Extensão
Atribuição
de Notas
Atribuição de
Pesos
Pesos de Evidencia
Correlação de variáveis
Montar e rodar o
modelo de LULCC
Simulação e Validação
Métricas da
Paisagem
Aptidão Agrícola
das Terras
RESULTADOS E
DOCUMENTAÇÃO
Variáveis Estáticas
Entrevista
semiestruturada
Montagem de base
de dados
PCA
CA
25
5.3.1 Processamento digital de imagens
As imagens utilizadas foram analisadas inicialmente quanto à necessidade de melhoria
do aspeto visual e geração de produtos para posteriormente serem submetidos a outros
processamentos metodológicos. As imagens foram pré-processadas e classificadas pelos
Sistemas de Informação Geográfica (SPRING 5.5.2, ArcGIS 10.2.1 e QGIS 3.2.3).
5.3.1.1 Pré-processamento
As técnicas de pré-processamento são, essencialmente, funções operacionais para
remover ou corrigir os erros e as distorções introduzidos nas imagens pelos sistemas sensores
devidos a erros instrumentais (ruídos espúrios), às interferências da atmosfera (erros
radiométricos) e à geometria de imageamento (distorções geométricas) (MENESES, 2012).
As imagens Landsat em uso nesse estudo passaram pela correção atmosférica,
radiométrica, georreferenciamento tendo como base as imagens de um banco de dados já
existentes (CENACARTA) e por fim a criação de mosaico.
5.3.1.2 Classificação digital
Existem essencialmente duas abordagens na classificação de imagens multiespectrais de
sensoriamento remoto. A primeira delas denomina-se classificação supervisionada e nela o
usuário identifica alguns dos pixels pertencentes às classes desejadas e deixa ao computador a
tarefa de localizar todos os demais pixels pertencentes àquelas classes, baseado em alguma regra
estatística pré-estabelecida. A segunda abordagem é chamada de classificação não-
supervisionada e nela o computador decide, também com base em regras estatísticas, quais as
classes a serem separadas e quais os pixels pertencentes a cada uma (CRÓSTA, 1992).
No presente trabalho foi usado a classificação supervisionada de imagem do satélite Landsat,
utilizando-se o classificador estatístico MAXVER (máxima verossimilhança), integrante do
aplicativo SPRING – Sistema de Processamento de Informações Georreferenciadas versão 5.5.2.
Em função da problemática que se pretende estudar – o desmatamento, foram definidas duas
classes (floresta e não floresta). Na classe floresta inclui as áreas de floresta de miombo, de
mopane e de floresta indiferenciada que ocorrem dentro da província (vede figura 1) sendo que
o restante do tipo de uso e cobertura de terra foi incluída na classe não floresta.
26
5.3.1.3 Validação da Exatidão da Classificação
A validação da exatidão da classificação visa avaliar o grau de concordância dos
resultados da classificação obtidos pela interpretação de imagens de satélite. Conforme JANSEN
et. al., (2009) uma das formas mais usadas para avaliar a exatidão da classificação temática de
cobertura de terra é a matriz de confusão também denominada matriz de erro ou tabela de
contingência. Neste estudo empregou-se a análise de qualidade de mapeamento a partir do índice
Kappa (K) construído da matriz de confusão de cada um dos anos analisados (2007 a 2018),
gerado em relatório no software SPRING após a classificação. O índice Kappa foi calculado pela
equação a baixo indicada:
Onde:
K - Índice Kappa
L - Número de categorias analisadas na matriz
Xii- Número de parcelas corretamente classificados na linha i coluna i
Xi+ - Total marginal da linha i
X+i - Total marginal da coluna j
N - Número total de parcelas contempladas na matriz
O resultado da estatística Kappa normalmente é comparado aos valores contidos na
TABELA 3, a fim de indicar a qualidade do mapa temático.
Índice Kappa Desempenho
< 0 Péssimo
0 < k ≤ 0,2 Ruim
0,2 < k ≤ 0,4 Razoável
0,4 < k ≤ 0,6 Bom
0,6 < k ≤ 0,8 Muito Bom
0,8 < k ≤ 1,0 Excelente
Tabela 3 - Qualidade da classificação associada ao índice Kappa. Fonte: Adaptada de Landis e Koch (1977).
A validação também foi realizada a partir da marcação de pontos georreferenciados com
auxílio do aparelho GPS tendo sido obtido registros fotográficos para comparação de padrões de
realidade terrestre com dados de classificação digital da imagem do ano de 2018.
27
5.3.2 MÉTRICAS DA PAISAGEM
Uma das formas de caracterizar as mudanças de uso e cobertura da terra é a utilização das
métricas da paisagem. As métricas da paisagem possibilitam a quantificação da composição e da
configuração da paisagem. Com este propósito, foram utilizadas imagens multitemporais de uso
e cobertura de terra dos anos de 2007, 2015 e 2018, através do cálculo pelo software FRAGSTATS
4.2.1. de métricas da paisagem e posterior sua análise, (Tabela 4)
Métricas Formula Unidade Descrição
Índice de Área (CA)
ha CA - Área total de cada classe presente na paisagem. Maiores valores de CA indicam domínio da matriz.
Percentual de Área
por Classe
(PLAND)
%
PLAND – proporção ocupada por cada classe na paisagem. Onde: aij - Área (m ) da mancha ij. A – Área
total da paisagem. A interpretação de PLAND é a mesma
descrita para CA, porém expressa em porcentagem.
Tamanho médio das
manchas (MPS)
ha
É calculado com base na área total da classe e de seu
respetivo número de fragmentos (ni) o que permite
estimar o tamanho médio para seus fragmentos. As
paisagens que apresentam menores valores para tamanho médio das manchas devem ser consideradas como as mais
fragmentadas.
Número de
Manchas (NP)
Adimensional
Número total de manchas numa classe ou paisagem
(maior número de manchas é indicador de uma maior
fragmentação da classe ou paisagem). NP deve ser
analisado juntamente com a métrica CA e PLAND. Por
exemplo: Se NP diminui, porém CA e PLAND
aumentam, isso indica que houve união de fragmentos,
mas se NP diminui, entretanto CA e PLAND também diminuem, isso indica que fragmentos foram extintos da
paisagem.
Densidade de
manchas (PD)
Número por 100
hectares
(Número de manchas/100 ha) é o número de fragmentos
da classe em 100 hectares da paisagem. A interpretação
de PD é a mesma descrita para NP.
Índice da maior
mancha (LPI)
%
LPI - Informa a área da maior mancha encontrada em
toda a paisagem ou seja, é a porcentagem da área da
paisagem (A) ocupada pela maior mancha (max aij).
Permite perceber se a paisagem é dominada por uma só
mancha e portanto da sua homogeneidade. Quando LPI é próximo de 100 significa que a maior mancha ocupa
quase a total idade da área da paisagem.
Tabela 4: Métricas da paisagem analisadas. Fonte: MCGARIGAL, 2015 e LUDWIG & REYNOLDS, 1988.
28
5.3.1 CARACTERIZAÇÃO DO SISTEMA DE PRODUÇÃO DOS
AGRICULTORES FAMILIARES DA PROVÍNCIA DE MANICA
Entre Dezembro de 2018 a Março de 2019 foi realizado o trabalho de campo em
Moçambique e especificamente na província de Manica, com dois objetivos chave: i) coletar
dados e informações relevantes junto dos agricultores familiares para caracterizar os modos de
produção agrícola e explorar suas associações com o desmatamento e, ii) obter com auxílio de
GPS posições geográficas de pontos e seus respetivos usos da terra que permitissem a validação
da classificação do uso e cobertura de 2018.
Para a obtenção das informações, foi aplicado uma entrevista semiestruturada (Anexo 1)
a um número de 228 chefes de família nos distritos da região centro da província de Manica
(Gondola, Manica e Sussundenga). A entrevista não obedeceu nenhum critério de seleção do
grupo alvo sendo que qualquer chefe de família que estivesse disponível era entrevistado.
Buscou-se levantar informações sobre: Tipo de uso e cobertura de terra que predominava quando
foi ocupada a área; tamanho de propriedade; funcionamento de sistemas de produção; presença
ou ausência de desmatamento; causas do desmatamento; Dimensão de área de produção com as
respetivas culturas e rendimento por hectare. Todas as respostas do questionário foram
codificadas para facilitar a análise.
Todas as respostas do questionário foram codificadas para facilitar a análise. Depois da
codificação, o processamento de dados foi realizado através do pacote estatístico SPSS
(Statistical Package for the Social Sciences), versão 19 e Excel. Uma análise multivariada foi
conduzida para se conhecer o grau de relacionamento entre a expansão de áreas agrícolas e o
desmatamento a partir da matriz constituída por 24 variáveis.
A análise multivariada realizada numa primeira fase foi a Análise de Componentes
Principais (PCA – Principal Component Analysis) que é um método que tem por finalidade
básica, a análise de dados usados, visando sua redução e escolha de formas mais representativas
de dados a partir de combinações lineares das variáveis originais (PAIVA, 2006, VICINI, 2005,
HAIR, et al 2005). Por meio desta técnica foi possível identificar as variáveis que melhor
explicam a relação da expansão de áreas agrícolas e o desmatamento.
29
De acordo com ALCÂNTARA, et al (2011) e SILVA, et al, (2012), para a determinação
da validade e aplicação da Analise de Componentes Principais faz-se necessário avaliar a
existência da relação entre as variáveis pois, só assim é possível reduzir o número de variáveis a
um número menor de componentes principais sem perda significativa de informação. Esta
avaliação pode ser realizada através da matriz de correlações ou de covariâncias.
Existem dois principais testes estatísticos usados para avaliar se as variáveis são
significativamente correlacionadas entre elas. São o teste de esfericidade de Bartlett (Bartlett's
Test of Sphericity) e o KMO (Kaiser-Meyer-Olkin Measure of Sampling Adequacy)
(CARVALHO, 2013).
O teste de esfericidade de Bartlett é utilizado para observar se as correlações entre as
variáveis são significativas. Caso sejam, permitem a Analise dos Componentes Principais através
da Matriz de Correlações. Um valor elevado da estatística de teste favorecerá a rejeição da
hipótese nula. Se a hipótese nula não poder ser rejeitada, então deve-se reconsiderar a utilização
do PCA. No entanto, este teste é sensível ao tamanho das amostras no sentido de que para
amostras grandes até pequenas correlações poderão ser estatisticamente significantes, pelo que
se torna preferível usar o KMO. O teste KMO explica o grau de ajuste das variáveis com o
fenómeno em estudo. Valores próximos a 1 indicam que o método de análise das componentes
principais é perfeitamente adequado para a o tratamento de dados. Por outro lado, valores
menores a 0.5 indicam a inadequação do método (ALCÂNTARA et al 2011).
A segunda técnica de análise multivariada utilizada nesta pesquisa foi a análise de
agrupamentos (Análise de Clusters) que consiste em associar dados observados através de
medidas de proximidade, semelhança, similaridade ou correlação. Essa análise foi utilizada
usando o método K-Means que se baseia na escolha antecipada pelo usuário de um número de
agrupamentos que conterão todos os casos. Segundo LINDEN (2009), o K-Means é uma
heurística de agrupamento não hierárquico que busca minimizar a distância dos elementos a um
conjunto de k centros dado por c={X1,X2,...,Xk} de forma iterativa. A distância entre um ponto
Pi e um conjunto de clusters, dada por d(Pi,X), é definida como sendo a distância do ponto ao
centro mais próximo dele. A função a ser minimizada então, é dada por:
30
5.3.2 AVALIAÇÃO DA APTIDÃO AGRÍCOLA DAS TERRAS
A FAO (1976) define avaliação da terra como um processo de predizer o comportamento
da terra quando usada para atividades específicas, envolvendo a execução e interpretação de
levantamento do relevo, solos, vegetação, clima e outros aspetos do ambiente, com o objetivo de
identificar e comparar tipos potenciais de uso aplicáveis à finalidade da avaliação.
No presente estudo, a avaliação da aptidão agrícola das terras baseou-se na metodologia
descrita por RAMALHO FILHO e BEEK (1995) e FAO (1976) com modificações. O método
adotado para a definição da aptidão agrícola é qualitativo1 e com forte dominância de fatores
ecológicos. Foi considerado apenas um nível de manejo (nível A)2.
5.3.2.1 Níveis de classificação da aptidão
Foram considerados duas categorias ou níveis de classificação: ordens; classes. As
ordens separam as terras em aptas (S) e não aptas (N). As classes indicam o grau de aptidão,
dentro da ordem de terras aptas e divide-se em: muito aptas (S1); moderadamente aptas (S2);
marginalmente aptas (S3).
Para estimar a quantidade potencial de áreas propícias para a agricultura foi utilizada a
sobreposição de planos de informação (PI’s) de solos, declividade, altitude, temperatura,
precipitação, distância aos rios, serviços de extensão agrária de instituições de ensino e mapa
atual de uso e cobertura de solo. Para cada fator de aptidão agrícola foram atribuídas notas que
variam de 1 a 4 através da reclassificação de acordo com sua importância de influência (TABELA
7). Posteriormente, para cada fator foi atribuído peso percentual de influência no modelo. Por
1 É aquela em que a aptidão da terra é expressa em termos qualitativos em relação a cada uso específico
(exemplo: aptidão elevada; aptidão moderada ou marginal; sem aptidão)
2 Nível de manejo A: reflete baixo nível tecnológico; quase ausência de aplicação de capital; trabalho
fundamentalmente braçal;
Nível de manejo B: reflete um nível tecnológico médio; modesta aplicação de capital; trabalho com base
na tração animal ou na tração motorizada, apenas para desbravamento e preparo inicial do solo e;
Nível de manejo C: reflete um alto nível tecnológico; aplicação intensiva de capital; trabalho mecanizado
em quase todas as fases de atividades (RAMALHO FILHO, 1995).
31
fim e com o uso do método de análise multicritério, foram cruzados os planos de informação para
a geração de mapa de favorabilidade agrícola no DINAMICA EGO.
Variável Peso Intervalos Nota
Altitude
15%
100 a 200 – S1 1
200 a 500 – S2 2
500 a 1000 – S3 3
1000 a 2500 – N 4
Declividade
15%
0 a 3% (Plano) – S1 1
De 3% a 13% (Suave Ondulado) – S2 2
De 13% a 45% (Ondulado) – S3 3
> 45% (Forte ondulado a montanhoso) – N 4
Temperatura
15%
Entre 17.5 a 25 graus – S1 1
Entre 15 a 22.5 graus – S2 2
Entre 10 a 15 graus – S3 3
Acima de 25 – N 4
Precipitação
15%
Entre 1400 a 1600 mm – S1 1
Entre 1200 a 1400 mm – S2 2
Entre 1000 a 1200 mm – S3 3
De 800 a 1000 mm – N 4
Rios
10%
30 a 1000 metros – S1 1
1000 a 2000 metros S2 2
2000 a 5000 metros – S3 3
Maior que 5000 metros – N 4
Serviços
Agrários
10%
0 a 25 km – S1 1
25 a 35 km – S2 2
35 a 50 km – S3 3
50 a 122 km – N 4
Solos
20%
Solos argilosos vermelhos, pretos e profundos 1
Solos franco-arenosos, castanhos e acinzentados, de
textura média
2
Solos de aluviões estratificados, vermelhos de
textura média, castanhos de textura arenosa, solos
de aluviões e de mananga
3
Solos líticos, vermelhos argilosos oxicos, arenosos
alaranjados, solos pouco profundos.
4
Tabela 5: Notas e pesos por cada fator de aptidão das terras
As terras inaptas para todos os tipos de uso devem ser utilizadas para proteção da vida
selvagem (fauna e flora), apicultura, cinegética ou mesmo atividades recreativas.
As notas para a classe dos solos foram definidas tomando em consideração fatores
limitantes como condições de enraizamento; fertilidade; drenagem e riscos de erosão. O grau de
32
aptidão muito apto (S1) é constituído por solos que apresentam boas condições pedológicas para
o cultivo de várias culturas. São solos de boa drenagem, menor acidez, teor médio a alto de
matéria orgânica, de menor declividade, baixa suscetibilidade a erosão, maior profundidade. O
grau de inaptidão (N) é constituída por solos de excessiva drenagem, maior acidez, menor teor
de matéria orgânica, de maior declividade (acima de 45%), maior suscetibilidade a erosão, menor
profundidade).
O balanceamento entre as duas classes extremas de aptidão definiu a classe media a baixa.
No modelo final, o grau de inaptidão também é constituído por áreas de florestas
remanescentes mesmo que essas sejam de grau muito apto (SI) para a lavoura.
5.3.3 MODELAGEM DINÂMICA
Os principais procedimentos aplicados para a modelagem dinâmica do desmatamento
para a província de Manica usando o software DINAMICA EGO foram:
1. Calibração do modelo e análise da dinâmica da paisagem;
2. Simulação e validação do modelo;
3. Obtenção de cenários futuros.
5.3.3.1 Calibração do modelo
A calibração de um modelo consiste na adequação e preparação de dados de entrada, no
DINAMICA EGO. O processo inclui o cálculo do percentual das mudanças de classe, efetuado
através do cálculo das matrizes de transição; do cálculo dos pesos de evidência; e análise da
correlação dos pesos entre as variáveis de entrada para todas as transições (FURLAN, 2012).
A base para estruturação da modelagem foi composta com os mapas classificados da
paisagem dos anos de 2007 (mapa de uso e cobertura inicial) e de 2015 (mapa de uso e cobertura
final) com informações sobre os aspetos de uso e ocupação do solo. Desses mapas de entrada,
foram geradas as matrizes de transição entre 2007 a 2015 com um intervalo de 08 passos.
A matriz de transição compreende o processo de estimativa das taxas de transição ou
mudanças na paisagem ocorridas entre o ano inicial e final do período de estudo. Define as taxas
de transição de áreas com vegetação nativa para áreas desmatadas ocorrido entre o ano inicial e
final do período de estudo.
33
Utilizou-se a ferramenta Determine Transition Matrix, um functor da modelagem no
DINAMICA EGO, que permite estimar as taxas denominadas “Single Step” e “Multiple Step”
(SOARES-FILHO et al., 2009). O termo “Single Step” refere-se à matriz de transição ocorrida
durante todo período de tempo da análise (global) e o termo “Multiple Step” refere-se a matriz
de transição gerada por intervalo de tempo durante o período da análise (anual).
A determinação de componente que assinala a localização das mudanças foi possível
através da definição de pesos de evidência baseado no teorema da probabilidade condicional de
Bayes, que se refere à disposição de um evento ocorrer em face da ocorrência passada de outro
evento. Os pesos de evidência definem as células com maior ou menor probabilidade de transição
de cobertura da terra (NOVAES, 2010). Para SOARES-FILHO et al., (2007), os mapas
resultantes da integração dos pesos assinalam as áreas mais favoráveis para cada tipo de
mudança, podendo, portanto, ser interpretados como mapas de probabilidades espaciais de
transição. Os pesos são obtidos a partir das formulações 1 e 2.
Em que O{D} e O{D/B} são os odds ou chances, respetivamente, de ocorrer a priori o
evento D e ocorrer D dado um padrão espacial B. W+
é o peso de evidência de ocorrer o evento
D, dado um padrão espacial B. A probabilidade a posteriori de uma transição i → j, dado um
conjunto de dados espaciais e considerando que O{D}=1, pois esta já é passada ao modelo via
matriz de transição, é expressa pela seguinte equação:
(3)
Onde V representa um vetor de k variáveis espaciais, medidas nas localidades x, y e
representadas por seus pesos W+k1xy
, W+ k2xy,…., W+
knxy, sendo n o número de categorias de cada
variável k. (BONHAM-CARTER, 1994; SOARES-FILHO et al., 2003; TRENTIN, 2010).
Os valores de pesos de evidência positivos referem-se à associação positiva entre a
evidência e o evento, ou seja, favorecem a mudança de estado; já valores negativos indicam a
repulsão causada pela evidência (variável) para a ocorrência do fenômeno (evento de mudança),
34
e valores próximos de zero significam que a variável não exerce efeito sobre a transição
(SOARES-FILHO et al., 2009).
Antes do cálculo de pesos de evidência foi necessário primeiramente calcular faixas para
classificar as variáveis em escalas contínuas para a derivação dos pesos de evidência utilizando
o modelo Determine Weights of Evidence Ranges. Utilizou-se os mapas de uso e cobertura do
solo e os mapas das variáveis estáticas tendo sido obtido um arquivo esqueleto de pesos de
evidência (WofE_ranges). Depois da categorização de variáveis estáticas e com o mesmo
conjunto de dados no passo anterior, foram calculados os pesos de evidência por meio do modelo
Determine Weights of Evidence Coefficients. No cálculo utilizou-se para os parâmetros mapas
inicial e final (2007 e 2018) o de entrada o arquivo “WofE” e variáveis estáticas interligando-os
ao functor “Determine Weights of Evidence Coefficients”, tendo como arquivo de saída dos
Coeficientes de Pesos de Evidencia “Weights_table.dcf.
Principais classes de variáveis estáticas (dados vetoriais de hidrografia, distância as
estradas, distância a áreas protegidas, distância a principais vilas e cidades, declividade e solos)
foram obtidas a partir da base de dados disponibilizada pela CENACARTA (Centro Nacional de
Cartografia e Teledeteção de Moçambique) (Figura 8). Essas variáveis foram rasterizadas com
pixels de 30m. Após a rasterização, os mesmos inseridas no modelo para a atribuição dos pesos
de evidência que representa a influência dessas variáveis na probabilidade espacial de uma
transição de uso de terra na fase de calibração. Foram também consideradas como variáveis
estáticas a distancia dos principais centros urbanos e distancia a área de proteção.
35
Figura 8: Variáveis estáticas
Essas variáveis devem ser independentes espacialmente entre si. Para a determinação
dessa independência, foi realizado o teste de Crammer e da Incerteza de Informação Conjunta
(U). BONHAM-CARTER (1994) mencionam que valores inferiores a 0,5, tanto para o teste de
Crammer (V) como para a Incerteza de Informação Conjunta (U), sugerem dependência espacial
entre as variáveis consideradas, o que não leva a desconsideração de nenhuma delas no modelo.
Assim, adota-se a limiar de 0,5 para decidir sobre a inclusão (V ou U < 0,5) ou exclusão (V ou
U > 0,5) das variáveis no modelo ou seja, valores abaixo de 0,5 indicam que as variáveis não
possuem dependência, podendo ser utilizadas para modelagem.
O índice de Cramer é definido por BONHAM-CARTER (1994) pela seguinte fórmula:
Onde:
T = totais marginais da matriz de tabulação cruzada entre dois mapas A e B;
X2 = estatística qui-quadrado;
M = mínimo de (n-1, m-1), em que n é igual ao número de linhas e m é o número de
colunas da matriz de tabulação cruzada entre os mapas A e B.
36
A Incerteza de Informação Conjunta (U) pertence à classe das medidas de entropia,
também baseadas na matriz de tabulação cruzada T, que podem ser usadas para medir associações
e é definida por (BONHAM-CARTER, 1994):
Onde, pode variar entre 0 e 1, sendo que quando os dois mapas são completamente
independentes, então H (A,B) = H (A) + H (B) e U (A,B) é 0, e quando os dois mapas são
completamente dependentes, H (A) = H (B) = H (A,B) = 1, e U (A,B) é 1 (ALMEIDA, 2003).
Com os parâmetros de entrada mapa inicial (2007), variáveis estáticas e o arquivo de
Pesos de Evidências “Weights”, interligados com o functor “Determine Weights os Evidence
Correlation” com os mapas das distâncias dos números de classes de uso desejada, foi avaliada
a existência de variáveis que influenciavam no modelo.
5.3.3.2 Simulação e validação
Obtidos os pesos de evidência e o grau de dependência ou associação entre as variáveis,
proceder-se-á à execução do modelo de simulação e validação.
As simulações foi realizadas a partir da calibração do modelo, que envolve a definição
dos percentuais de contribuição dos algoritmos expander e patcher. O algoritmo expander
dedica-se unicamente à expansão ou contração de manchas de uma determinada classe e o
patcher busca as células que apresentam a maior probabilidade de transição e gera novas manchas
de uma determinada classe usando um mecanismo de semeadura. Ambos os processos usam um
mecanismo nucleador de manchas, que opera sobre o mapa de probabilidades de transição e tem
como parâmetros de entrada a isometria, a variância e o tamanho médio das manchas (SOARES-
FILHO et al., 2007). Quanto maior o valor adotado, mais geometricamente regulares serão as
manchas produzidas pelos algoritmos de transição, e, de forma contrária, quanto mais próximo
de zero, mais dendríticas serão as manchas (KAWASHIMA et al, 2016). O tamanho médio das
manchas e a variância são definidos em unidades de área (hectares) e a isometria varia de 0 a 2
sendo que quanto maior, mais isométrica (células agregadas) a mancha aparece (DIAS, 2011).
Os arquivos de entrada utilizados foram o mapa inicial (2015), as variáveis estáticas, o
arquivo “Weights_table.dcf dos Coeficientes de Pesos de Evidencia e a matriz de transição
37
“passos múltiplos” com fins de repetir todas as operações durante os intervalos de tempo (2015
e 2018 = 3 anos), foi adicionado o conteiner “Repeat”, para a modelagem foram inseridos dentro
deste conteiner os functores: Patche, “Calc W. OF. E. Probability Map”, “Calc Distance”,
“Modulate Change Matrix”, “Expander” e “Mux Categorical Map”. Os parâmetros de saída
gerados foram os mapas de probabilidades de mudanças e os mapas da paisagem.
Por conseguinte, realizou-se a etapa do teste de validação que consistiu em certificar a
similaridade mínima entre o mapa simulado e o mapa de referência (observado).
O método de validação na plataforma DINAMICA EGO é baseado no conceito de
“fuzziness of location” (dubiedade de localização) no qual a representação de uma célula é
influenciada por ela mesma, e, em menor magnitude, pelas células na sua vizinhança (HAGEN,
2003). Trata-se de um teste de comparação de similaridade fuzzy entre o mapa simulado e o mapa-
referência. O método faz o cálculo dos erros e acertos do processo de modelagem, dando maior
precisão na análise. Este método é implementado de forma modificada no DINAMICA EGO,
onde foi nomeado de Calc Reciprocal Similarity e considera que mesmo mapas que não
apresentam similaridade célula a célula podem ainda apresentar padrões similares, baseando-se
na comparação do mapa final simulado com um mapa de referência e utilizando contextos de
vizinhança (SOARES-FILHO et al., 2009).O resultado deste teste varia de zero (0) a um (1);
quanto mais próximo de um (1), mais similar estará a simulação da situação real (TRENTIM e
FREITAS, 2010).
Os dados utilizados nesta fase do trabalho foram os mapas de entrada inicial do uso e
ocupação da terra do ano de 2015 e final 2018 (real), sendo o simulado final de 2018.
Foi realizada a comparação dos mapas de desmatamento projetado e de desmatamento
observado (resultantes da classificação das imagens LANDSAT) para o ano de 2018 em função
da incerteza da localização de uma classe dentro de sua vizinhança de células através das funções
de decaimento exponencial e do decaimento constante. Trata-se de um teste de comparação de
similaridade fuzzy entre o mapa simulado e o mapa-referência.
38
5.3.3.1 Cenários futuros
Segundo KAWASHIMA et al, 2016 cenários consistem em uma metodologia capaz de
explorar diferentes alternativas de futuro que servem para facilitar a tomada de decisões. Eles
exploram conjeturas político-económicas, sociodemográficas, legais, institucionais, ambientais,
tecnológicas e outras, que serão responsáveis por desencadear mudanças passíveis de previsão,
segundo um grau de certeza, em horizontes de projeto específicos. Os mesmos autores fazem
referência da subdivisão de cenários em estacionários e não-estacionários, em que os primeiros
utilizam o diagnóstico das alterações pretéritas para direcionar as alterações que ocorrerão no
futuro, reproduzindo tendências observadas no passado. Os não-estacionários, por sua vez,
podem utilizar o diagnóstico das alterações pretéritas para simular alterações futuras, mas
incorporam novas condições de contorno, como mudanças na conjuntura macro ou
microeconômica, alterações em dispositivos legais, novas instalações de infraestrutura etc.
No presente estudo, trabalhou-se com cenário estacionário.Com o grau de similaridade
aceitável entre o mapa simulado e observado, efetuou-se a simulação de prognósticos até ao ano
de 2025.Para a execução do modelo para prognósticos, foram utilizados os arquivos de matriz de
transição e de pesos de evidência, variáveis estáticas e mapa de uso final (2018).
39
6. RESULTADOS E DISCUSSÃO
6.1 VALIDAÇÃO DA CLASSIFICAÇÃO DIGITAL
6.1.1 Índice Kappa
No presente estudo empregou-se a análise de qualidade de mapeamento a partir do índice
Kappa (K) construído da matriz de confusão de cada um dos anos analisados (2007, 2015 e 2018),
gerado em relatório no software SPRING após a classificação.
Figura 9: Imagens classificadas da área de estudo.
Os valores do Índice Kappa (Tabela 6) calculados a partir do software SPRING 5.5.2 para
a província de Manica utilizando a matriz de erros das imagens de satélite dos anos de 2007,
2015 e 2018, mostraram níveis de aceitação excelente.
Ano Índice Kappa Nível de Aceitação
2007 99.92 Excelente
2015 98.96 Excelente
2018 99.95 Excelente Tabela 6 - Níveis de aceitação encontrados nos valores do Índice de Kappa gerados a partir das imagens de 2007 à
2018.
40
6.1.2 Validação de campo
Durante o trabalho de campo foram levantados 300 pontos amostrais para a validade da
classificação do uso e cobertura da terra (Tabela 7).
Ponto Distrito Coordenadas UTM Zona 36S Classe Status
X Y
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Gondola
Gondola
Gondola
Gondola
Gondola
Sussundenga
Sussundenga
Sussundenga
Sussundenga
Sussundenga
Sussundenga
Sussundenga
Sussundenga
Manica
Manica
Manica
Manica
Manica
Manica
Manica
568775
569422
582743
589824
567960
531318
534515
535474
536226
535511
535223
534446
530838
508429
511458
535467
5102204
508862
516280
514855
7893313
7894827
7908252
7880179
7889541
7850012
7832277
7829040
7821927
7819494
7818930
7866923
7850827
7899197
7897780
7829038
7898724
7899296
7896058
7897154
Não Floresta
Não Floresta
Não Floresta
Não Floresta
Não Floresta
Floresta
Não Floresta
Não Floresta
Floresta
Floresta
Floresta
Não Floresta
Floresta
Não Floresta
Floresta
Não Floresta
Não Floresta
Não Floresta
Não Floresta
Floresta
Corresponde
Corresponde
Corresponde
Corresponde
Corresponde
Corresponde
Corresponde
Corresponde
Corresponde
Corresponde
Corresponde
Corresponde
Corresponde
Corresponde
Corresponde
Corresponde
Corresponde
Corresponde
Corresponde
Corresponde
Tabela 7: Alguns Pontos de validação
41
Figura 10: Pontos de validação de campo da área de estudo
A
B
42
C
D
Figura 11: Fotos da área de estudo. A e B – Áreas de floresta (Distrito de Sussundenga), C e D – Não Floresta
(Campos agrícolas no distrito de Gondola).
6.2 QUANTIFICAÇÃO DAS MUDANÇAS NO USO E COBERTURA DO SOLO
6.2.1 Métricas da paisagem
Tabela 8: Métricas da paisagem
A área de estudo apresenta uma diminuição significativa da cobertura florestal. Pela
Métrica CA, existia em 2007 cerca de 2546500 ha de florestas. Em 2018 a área de florestas
passou para 953900 ha correspondendo a uma taxa de redução de 56%. No mesmo período, a
classe de não floresta passou de 3680600 hectares em 2007 para 5273200 hectares em 2018
correspondendo a 90% de aumento da sua área.
Class Period
Metrics 2007 2015 2018
Forest
CA 2546591 1866537 953965
PLAND 41 30 15
NP 264635 301476 343722
PD 4.2496 4.8413 5.5197
LPI 34.2886 19.8504 3.6629
MPS 9.6230 6.1913 2.7754
No-Forest
CA 3680639 4360693 5273265
PLAND 59 70 85
NP 288238 230326 106130
PD 4.6287 3.6987 1.7043
LPI 34.8448 40.8450 81.6099
MPS 12.7694 18.9327 49.6868
43
No que tange ao número de fragmentos florestais, existia 264600 fragmentos em 2007.
Para o ano de 2018 registrou-se aumento de fragmentos florestais, passando de 264600 em 2007
para 343700 fragmentos. Neste mesmo ano, notou-se a diminuição do índice da maior mancha
passando de 34% em 2007 para 4% em 2018. De acordo com SAUNDERS et al. (1991),
fragmentos pequenos apresentam risco de não se manterem na área, dada a intensidade do efeito
borda a que estão sujeitos e, remanescentes de área pequena apresentam frágeis padrões de
sustentabilidade ao longo do tempo, diferente de fragmentos de área grande que têm capacidade
de proteger a diversidade biológica.
Em 2007, a classe de floresta representava 41% da paisagem. Nos 11 anos que
intermedeiam período de estudo, esta classe perdeu mais de metade da sua área, passando a
ocupar apenas 15% da área total da paisagem em 2018. As áreas de floresta foram convertidas
em áreas agrícolas (em uso e/ou em pousio) e em áreas residências.
O período de grandes mudanças na paisagem ocorreu entre 2015 e 2018. De acordo com
os resultados da análise de métricas da paisagem, verificou-se que o processo de fragmentação
foi intenso e é resultado da conversão de áreas de florestas para não floresta (agricultura, áreas
residências, pastagens e florestas degradadas).
6.3 CARACTERIZAÇÃO DO SISTEMA DE PRODUÇÃO DOS AGRICULTORES
FAMILIARES DA PROVÍNCIA DE MANICA
Em relação ao tipo de ocupação, maior parte dos inquiridos afirmou trabalhar por conta
própria (89%) sendo agricultura sua principal atividade e base de sobrevivência. Um número
bastante reduzido (11%) de inquiridos é funcionário público ou da empresa florestal (Tabela 9).
Em relação aos produtos básicos alimentares a Província de Manica produz, de entre
vários, o milho, feijão, sorgo, mandioca e batata-doce.
Tabela 9: Setor de atividade
Dos 227 entrevistados, um pouco menos que a metade vive na área de estudo desde da
nascença (47%) sendo que o restante ocupou a área há menos de 5 anos atras (22%) e (31%) há
mais de 6 anos.
Principal ocupação Respostas Porcentagem (%)
1. Trabalha por conta própria no setor agrário;
2. Funcionário público ou da empresa
201
26
89
11
Total 227 100
44
O direito de uso e aproveitamento de terra é adquirido por três vias principais: herança,
doação e compra. Maior parte dos inquiridos (39%) obtiveram as suas propriedades via
costumeira (herança e ocupação de boa fé), (34%) por doação de líderes comunitários e sendo
menor número (27%) por comprar. Figura 4.
Figura 12: Forma de aquisição de direito de uso e aproveitamento dessa terra
De acordo com resultados da tabela 10, a principal causa da diminuição de áreas de
florestas segundo os entrevistados é a expansão de áreas agrícolas e exploração de energia da
biomassa (lenha e carvão vegetal).
Tabela 10: Causas do desmatamento
Os resultados da análise do questionário parecem indicar que expansão de áreas agrícolas
para aumentar os níveis de produção está causando a diminuição da cobertura florestal na
província de Manica. No entanto, a causa de expansão de áreas agrícolas é diferente nos grupos
de agricultores familiares. O esgotamento da capacidade produtiva dos solos em produção e a
necessidade de aumentar a produção para a comercialização de excedentes agrícolas constituem
causas comummente apontadas de expansão de áreas agrícolas sobre as florestas. O crescimento
da população urbana de baixo poder de compra associado a elevados valores de energia elétrica
faz aumentar a demanda pelo carvão vegetal como fonte alternativa de energia. Segundo
MAGALHÃES, (2014) a produção de carvão vegetal para efeitos de cozinha e aquecimento
representa mais de 85% do consumo total de energia no país. O aumento da demanda pelo carvão
Causas do desmatamento Respostas Porcentagem (%)
1. Expansão de áreas agrícolas e exploração da energia de biomassa
(lenha e carvão);
2. Exploração madeireira;
3. As duas causas atuam em simultâneo
132
48
47
58
21
21
Total 227 100
45
vegetal nos principais centros urbanos provoca o desmatamento nas áreas adjacentes e não só,
atualmente os produtores e vendedores de carvão percorrem longas distâncias para pôr seu
produto no mercado.
Apesar de 70% da população atual residir nas zonas rurais, tendo como fonte única o
combustível lenhoso, curiosamente, não é esta parte da população que ameaça o recurso, mas
sim os restantes 30% da população que habitam zonas urbanas e periurbanas mas continuam
dependentes da lenha e do carvão vegetal como principal fonte de energia doméstica (SITOE,
A., MIRIRA, R. & TCHAÚQUE, F 2007).
O aumento da produção para comercialização de excedentes (33%) e a perda da
capacidade produtiva dos solos (27%) foram apontadas pelos entrevistados como principais
causas da expansão de áreas de produção (33%).
O aumento do agregado familiar foi uma das causas citadas mas com menor expressão
(14%) quando comparado com as anteriores causas (FIGURA 13). No entanto, MARZOLI, 2007
faz referência ao aumento da população como principal causa da exploração desenfreada de
recursos florestais através da expansão de áreas agrícolas e produção de carvão.
Figura 13: Causa da expansão de áreas de produção
CUNGUARA et al (2012) faz referência de que a alta dos preços de alimentos no mercado
mundial motivou expansão da área cultivada e maior uso de tração animal, mas sem nenhum
aumento significativo na proporção de agregados familiares que usam fertilizantes químicos.
A área de produção varia de 1.5 hectares a 5 hectares sendo que a média é de 2.6 hectare
por família. Cerca de 30% dos entrevistados produzem em área de 3 hectares e 3% em 5 hectares.
27
26
14
33
0 5 10 15 20 25 30 35
AS TRES CAUSAS JUNTAS
PERDA DA CAPACIDADE PRODUTIVA
AUMENTO DO AGREGADO FAMILIAR
AUMENTO DA PRODUCAO PARA COMERCIALIZACAO
Porcentagem
Cau
sas
46
Dos 227 entrevistados constatou-se que 116 (51%) indivíduos aumentaram 1 hectare de
área de produção nos últimos 2 anos. (21%) aumentou 0.5 hectares e apenas 3 indivíduos (1%)
aumentaram 2.5 hectares.
Tabela 11: Aumento de área de produção
Os níveis de produção e produtividade são muito baixos devido a práticas de cultivo
tradicional caracterizado pelo baixo uso de insumos agrícolas. Maior parte dos agricultores,
(cerca de 49% dos entrevistados) produzem uma tonelada de milho por hectare e 16% produzem
2 toneladas de milho por hectare, (Tabela 12). A média nacional de acordo com o MISA (2015)
ronda em 1.2 toneladas de milho por hectare.
Tabela 12: Toneladas de milho por hectare.
Dado o fato de não existir empresas florestais na maior parte da área de estudo, 171
entrevistados (75%) apontam a exploração da energia da biomassa como ação inicial do
desmatamento ou seja, os exploradores de carvão vegetal e de lenha são os primeiros a devastar
florestas intactas que posteriormente as áreas são usadas pelos agricultores para produção de
alimentos - machambas. Os restantes 25% (que vivem em áreas onde simultaneamente existem
operadores de carvão e madeireiros) apontaram os madeireiros como os que começam com ação
de desmatamento e só depois é que entram os exploradores de carvão e lenha. Os entrevistados
apontaram a existência de operadores furtivos que abatem de forma seletiva, espécies madeireiras
de interesse comercial.
Aumento da área de produção em ha. Respostas Porcentagem (%)
0.5
1
1.5
2
2.5
47
116
43
18
3
21
51
19
8
1
Total 227 100
Toneladas de milho por hectare Respostas Porcentagem
1
1.5
2
112
79
36
49
35
16
Total 227 100
47
6.3.1 ANÁLISE DE COMPONENTES PRINCIPAIS (PCA)
O teste KMO foi de 0.832, indicando a adequabilidade do método (Tabela 13).
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .832
Bartlett's Test of Sphericity Approx. Chi-Square 4233.996
df 276
Sig. .000
Tabela 13: Teste de KMO e Bartlett
As comunalidades (communalities) são quantidades das variâncias (correlações) de cada
variável explicada pelas componentes. Quanto maior a comunalidade, maior será o poder de
explicação daquela variável pelo fator. No caso específico, todas as variáveis apresentaram
comunalidades superiores a 0.40 sendo que a maior foi de 0.96.
No estudo em caso, os dados colhidos em campo, após o uso do algoritmo PCA, foi
possível a redução do número de componentes em estudo para sete (7) com autovalores maior
que 1 explicando cerca de 76% da variância total dos dados (Tabela 14).
Component
Initial Eigenvalues Extraction Sums of Squared Loadings
Total % of Variance
Cumulative
% Total % of Variance
Cumulative
%
1 5.889 24.538 24.538 5.889 24.538 24.538
2 4.938 20.576 45.114 4.938 20.576 45.114
3 1.914 7.974 53.088 1.914 7.974 53.088
4 1.662 6.924 60.012 1.662 6.924 60.012
5 1.486 6.193 66.205 1.486 6.193 66.205
6 1.212 5.049 71.254 1.212 5.049 71.254
7 1.028 4.285 75.539 1.028 4.285 75.539
8 .890 3.710 79.249
9 .711 2.964 82.213
Tabela 14: Variância total explicada
A tabela 14 representa a percentagem de variância explicada por cada componente
principal. Quando esta porcentagem se reduz e a curva passa a ser quase paralela ao eixo das
abcissas, são de excluir as componentes correspondentes. Conforme a tabela, nota-se que a taxa
de variação dos autovalores em relação ao número de componentes decresce abruptamente em
48
um determinado ponto do gráfico. Por isso, foram levado em consideração apenas 7 componentes
principais que tem valor de variância maior que 1as quais representam uma variância explicada
de 76% dos dados.
Component
1 2 3 4 5 6 7
Idade .039 .787 .319 .040 .134 -.025 -.006
Tipo de ocupação -.086 -.013 -.013 .886 -.069 .048 -.028
Agregado familiar .033 .299 .782 -.051 .181 .022 -.004
Tempo de utilização da terra .153 .020 .089 -.059 .884 .042 -.090
Forma de aquisição do direito de uso e aproveitamento de
terra
.082 -.422 -.021 .120 .735 -.046 -.057
Tipo de uso e cobertura de terra dominante aquando da ocupação
-.008 -.831 -.181 -.094 .112 -.038 .065
Dimensão da propriedade -.056 .757 .323 -.230 -.263 -.004 -.017
Hectares de florestas -.107 .767 .169 -.113 -.351 .090 -.010
Dimensão da área para produção .026 .194 .885 -.064 .006 .099 .046
Aumento de área de produção nos últimos 2 anos .010 .170 .874 -.088 -.054 .055 -.029
Número de machambas -.039 .371 .567 .079 -.087 -.025 .358
Quantidade de milho (em toneladas) por hectare -.102 .072 .167 .019 -.068 .829 -.008
Instrumentos de produção .151 -.012 -.027 .019 .067 .828 -.046
Motivo de expansão de área de produção .006 -.090 -.068 -.021 .004 .085 .792
Uso de técnicas de pousio -.031 .556 .072 -.220 .179 -.022 .361
Atividades económicas complementares -.004 -.144 -.123 .889 .110 -.015 .079
Assistência de extensionistas .031 -.114 -.192 -.100 .182 .193 -.575
Empresas florestais na área .953 -.041 .002 .027 .087 .073 -.030
Forma de aquisição de terra pelas empresas florestais .960 .071 .020 -.062 .019 .041 .023
Consulta à comunidade para concessão de terra .979 .016 -.035 -.019 .051 .008 .020
Mudança no provimento de recursos florestais depois da
existência de empresas florestais .975 -.011 -.018 -.033 .061 .010 -.001
Causas da diminuição do provimento -.825 .061 .034 .061 -.041 .077 .048
Início da ação do desmatamento -.633 .148 -.163 -.037 .001 -.103 .015
Melhoria da vida pelo serviço social da empresa .900 .052 -.056 -.019 .090 -.070 -.003
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 7 iterations.
Tabela 15: Matriz das componentes
Levando em consideração que pesos de componentes mais elevados em valor absoluto
identificam o componente a que cada variável se associa. Assim, considerando apenas os pesos
de componentes em valor absoluto superiores a 0.45 (os que estão em negrito na tabela rotated
componente matrix), podemos descrever os seguintes componentes:
Componente 1 – Constituído por 7 variáveis dos quais 5 são fortemente
correlacionadas positivamente e 2 são fortemente correlacionadas negativamente. No primeiro
49
grupo incluem-se as variáveis: existência de empresas florestais na área, formas de aquisição de
terra pelas empresas florestais, consulta à comunidade para aquisição de terra, mudança no
provimento de recursos florestais depois da existência de empresas florestais, e melhoria da vida
pelo serviço social prestado pelas empresas florestais. No segundo grupo incluem-se as variáveis:
causas da diminuição do provimento de recursos florestais e, inicio da ação do desmatamento.
Componente 2 – Constituído por 3 variáveis sendo todas elas fortemente
correlacionadas positivamente. São elas: a idade do chefe de família, a dimensão da sua
propriedade e os hectares de florestas.
Componente 3 – As variáveis que apresentam pesos fatoriais mais elevados em valor
absoluto neste fator são: Número do agregado familiar, dimensão da área (em hectares) para
produção e ao aumento da área para produção nos últimos 5 anos.
Componente 4 - As variáveis que apresentam pesos fatoriais mais elevados neste fator
são: tipo de ocupação e atividades económicas complementares.
Componente 5 – Tempo de utilização da terra e a forma de aquisição do direito de uso
e aproveitamento de terra são variáveis que tem pesos fatoriais mais elevados neste componente.
Componente 6 – Quantidade de milho em toneladas por hectare e instrumentos de
produção utilizados são variáveis que tem pesos fatoriais mais elevados neste componente.
Componente 7 – Constituído por duas variáveis sendo uma fortemente correlacionada
positivamente – motivo de expansão de área de produção, e outra fortemente correlacionada
negativamente – assistência de extensionistas.
A análise dos componentes extraídos da amostra permite entender que características das
florestas (componente 1) é o elemento com maior carga fatorial e que maior explica a
diferenciação de agricultores familiares.
50
6.3.2 Análise de clusters
A análise de clusters é um método que permite agrupar sujeitos ou variáveis em grupos
com uma ou mais características comuns. No caso em análise, foram utilizadas todas variáveis
para a formação de grupos de agricultores com características homogéneas e determinar a
heterogeneidade entre os grupos formados.
Tabela 16: Centro final do Cluster
Cluster
1 2 3
Idade 50 67 33
Tipo de ocupação 1 1 1
Agregado familiar 8 9 6
Tempo de utilização da terra 2 2 2
Forma de aquisição do direito de uso e
aproveitamento de terra 2 1 2
Tipo de uso e cobertura de terra dominante aquando
da ocupação 2 1 2
Dimensão da propriedade 10 14 6
Hectares de florestas 1 3 0
Dimensão da área para produção 2.8 3.1 2.3
Aumento de área de produção nos últimos 2 anos 1.2 1.3 .9
Número de machambas 1 2 1
Quantidade de milho (em toneladas) por hectare 1.3 1.4 1.3
Instrumentos de produção 1 1 1
Motivo de expansão de área de produção 2 3 3
Uso de técnicas de pousio 1 2 1
Atividades económicas complementares 2 2 2
Assistência de extensionistas 2 2 2
Empresas florestais na área 2 1 2
Forma de aquisição de terra pelas empresas florestais 2 2 2
Consulta à comunidade para concessão de terra 2 2 2
Mudança no provimento de recursos florestais depois da existência de empresas florestais
2 1 2
Causas da diminuição do provimento 2 2 2
Início da ação do desmatamento 1 1 1
Melhoria da vida pelo serviço social da empresa 3 2 2
51
6.3.2.1 Caracterização de clusters
Figura 14: Número de agricultores familiares de cada cluster por posto administrativo.
Figura 15: Clusters de agricultores familiares
52
Cluster 1 (Agricultores não nativos)
Cluster majoritário constituído por 86 indivíduos entrevistados (38%) com idade média
de 50 anos. Têm sua maior representatividade na região Sul e Centro Leste da área de estudo. Os
agricultores familiares deste cluster são imigrantes e adquiriram o direito de uso e aproveitamento
da terra por via da doação e compra. Sua propriedade tem uma dimensão média de 10 hectares e
desta área, 2.8 hectares são para produção. Nos últimos 2 anos aumentaram em media 1.2 hectare
da sua área de produção. Esse aumento é motivado pelo crescimento do agregado familiar. A
diminuição de área de floresta é causada principalmente pela expansão de áreas agrícolas e
exploração da energia da biomassa (lenha e carvão).
Cluster 2 (Velhos agricultores nativos)
Constituído por 59 indivíduos entrevistados (26%) com idade média de 67 anos e vivem
na área desde a nascença. É o cluster com menor número de postos administrativos alocado
(apenas o posto administrativo de Zembe). Os agricultores familiares deste cluster adquiriram o
direito de uso e aproveitamento de terra por via da herança. Possuem maior área de propriedade
(14ha em média dos quais 3.1 hectares são para produção). Aumentaram nos últimos 2 anos cerca
de 1.3 hectares de terra para produção. O aumento da área de produção é motivado pela
necessidade de produzir mais para comercializar excedentes. A exploração da madeira é citada
como a causa da diminuição de áreas de florestas.
Cluster 3 (Jovens agricultores e produtores de carvão)
Constituído por 82 indivíduos entrevistados (36%) com idade media de 33 anos. Vivem
na área desde a nascença e adquiriram o direito de uso e aproveitamento de terra por via da
doação. A dimensão media de sua propriedade é de 6 hectares e utilizam 2.3 hectares para a
produção sendo que aumentaram 0.9 hectare nos últimos 2 anos. O aumento da área de produção
é motivado pela necessidade de produzir mais para comercializar excedentes. Tem como
atividade complementar a venda de carvão e comercialização de excedentes agrícolas. A
expansão de áreas agrícolas é citada como principal causa da diminuição de áreas de florestas.
53
6.3.3 Modelo conceitual do desmatamento na província de Manica
São distinguidos dois potenciais fatores do desmatamento: imediatos (diretos) e
subjacentes (indiretos) (Figura 16).
Fatores imediatos do desmatamento são na sua totalidade atividades humanas que
diretamente impactam a cobertura florestal tais como: a agricultura itinerante - A ação da
agricultura causa imediata do desmatamento é estimada em cerca de 80% a nível mundial
(KISSENGER et al, 2012). Exploração madeireira - Os impactos diretos resultam da conversão
direta de florestas para áreas agrícolas permanentes ou agricultura itinerante (SITOE, A.,
SALOMÃO, A. e WERTZ-KANOUNNIKOFF, S. 2012); A elevada procura por madeiras
tropicais no mercado internacional, especialmente Ásia, e a fraca fiscalização das políticas e
regulamentos nacionais afiguram como causas do desmatamento associadas com a exploração
florestal de madeiras. Inicialmente abrem pequenas trilhas que posteriormente são usadas por
lenhadores e carvoeiros e; exploração e consumo da energia da biomassa (lenha e carvão) -
A elevada procura por lenha e carvão está associada a várias questões, entre elas o baixo poder
de compra e a falta de fontes alternativas viáveis de energias nas zonas urbanas (SITOE, A.,
SALOMÃO, A. & WERTZ-KANOUNNIKOFF, S, 2012).
Fatores subjacentes atuam em múltipla escala: internacional (mercados e preços de
commodities); nacional (crescimento da população, mercados internos, politicas nacionais e
governança); e circunstancias locais (subsistência e pobreza) (KISSENGER, et al).
Fatores subjacentes geram desmatamento de forma indireta. Constituem uma interação
complexa de processos sociais, económicas, politicas, culturais e tecnológicas que afetam as
causas imediatas (KISSINGER eta al, 2012). Segundo SITOE, A., SALOMÃO, A. & WERTZ-
KANOUNNIKOFF, S, 2012, os efeitos indiretos sobre a floresta incluem uma fase de transição
em que é extraída a madeira nobre, seguida de extração de lenha e carvão, que se beneficiam do
acesso aberto pelos caminhos para a exploração madeireira. Estas áreas são mais tarde utilizadas
como áreas agrícolas, sugerindo, mais uma vez que a agricultura e a exploração de combustíveis
lenhosos trabalham em combinação sobre a mudança da cobertura florestal.
O rápido crescimento da população associado ao elevado nível de pobreza e fraca
fiscalização pelo poder público de principais vetores de desmatamento constituem principais
fatores subjacentes de desmatamento na província de Manica.
54
A expansão de áreas agrícolas para aumentar níveis de produção está causando a
diminuição de cobertura florestal na província de Manica. Essa expansão ocorre sobre áreas de
florestas quando as antigas áreas de produção perdem sua capacidade produtiva. O crescimento
da população urbana de baixo poder de compra associado a elevados valores de energia elétrica
faz aumentar a demanda pelo carvão vegetal como fonte alternativa de energia. Esta forte
demanda provoca desmatamento de áreas próximas às principais cidades e vilas e não só,
atualmente os produtores e vendedores de carvão percorrem longas distâncias para a
comercialização do seu produto. O aumento da procura por recursos madeireiros no mercado
nacional e internacional também constitui uma das fortes causas do desmatamento.
Figura 16: Modelo conceitual do desmatamento na província de Manica – Moçambique
DESMATAMENTO
Crescimento da população
- Aumento da procura por produtos
alimentares, energia e áreas
habitacionais;
- Distribuição e Densidade populacional;
Políticas governamentais
- Fraco monitoramento e fiscalização de
recursos florestais.
Exploração madeireira
- Aumento da procura de recursos
madeireiros no mercado nacional e
internacional;
- Concessões florestais e corte ilegal.
Exploração e consumo da bioenergia
- Aumento de necessidades energéticas nas
cidades (Demanda por lenha e carvão).
Agricultura itinerante
- Expansão de áreas agrícolas
- Aumento da procura interna por produtos
agrícolas;
- Esgotamento da capacidade produtiva
dos solos.
1
2
3
IMEDIATOS SUBJACENTES
Afetam
fatores
imediatos
Subsistência e
pobreza
- Recursos naturais
única fonte de
sobrevivência
55
6.4 APTIDÃO AGRÍCOLA DAS TERRAS
Pelo método de análise multicritério foi possível identificar cerca de 1499680 hectares do
nível de aptidão muito apta (S1); 3478932 hectares moderadamente aptas (S2); 1072019 hectares
marginalmente aptos (S3) e 14867 hectares inaptas (N.
As áreas de alta potencialidade são áreas próximas dos rios e com boas condições de
irrigação, de baixa declividade, com solos férteis e próxima de áreas de influência de
extensionistas de principais instituições de ensino na província. Quanto mais distantes dessas
condições, as áreas tornam-se poucas atrativas para prática da atividade agrícola nas condições
técnicas e socioeconómicas dos agricultores familiares (Nível A).
Figura 17: Relação do uso e cobertura da terra e aptidão agrícola.
Uso e cobertura da terra Aptidão das terras Aptidão preservando área de de
floresta remanescente
Floresta - 953965
S1 - 1499680 S1 – 1268400
S2 - 3478930 S2 – 3051800
Não Floresta - 5273265 S3 - 1072010 S3 – 803900
N - 14860 N - 14860
Tabela 17: Área das classes de uso e cobertura e da aptidão agrícola das terras
56
Com as imagens de uso e cobertura de terra do ano 2018 e da aptidão agrícola das terras foi
possível através do software DINAMICA EGO retirar das áreas de alta e baixa aptidão
preservando as florestas. Assim sendo, foram identificados 1268400 hectares muita aptas,
3051800 moderadamente apta, 803900 marginalmente apta e 14860 não apta.
Figura 18: Aptidão agrícola das terras preservando a floresta
Uso e cobertura da terra Aptidão das terras Relação do uso e cobertura da terra com aptidão preservando
área de floresta remanescente
Floresta - 953965
S1 - 1499680 S1_Floresta - 231250
S2 - 3478930 S2_Floresta – 427110
Não Floresta - 5273265 S3 - 1072010 S2_Nao Floresta - 3051810
N - 14860 S1_Nao Floresta - 1268420
Tabela 18: Área de classes de uso e cobertura de terra e da aptidão agrícola preservando a floresta
Cerca de 1268420 hectares são da classe muito apta e coincidem com áreas de não
floresta. É sobre áreas muito aptas que deveriam ser direcionadas iniciativas para expansão e
intensificação da produção agrícola. Também existem cerca de 3051810 hectares que são
moderadamente aptos e que não coincidem com áreas de florestas. Essas terras também podem
ser usadas para a produção.
57
6.5 CALIBRAÇÃO DO MODELO DINÂMICO DO DESMATAMENTO E
ANÁLISE DA PAISAGEM
6.5.1 Matriz de transição
A tabela 19 apresenta os dados de perda de floresta na área de estudo. A partir dos dados
apresentados, é possível perceber a expressiva transição de área de floresta em não floresta. A
área de floresta tende a diminuir de 2007 a 2018.
Figura 19: Variação de área de floresta 2007 – 2018
2007 2015 2018
Área em (Ha)
% do
Total
Área em
(Ha) % do Total
Área em
(Ha) % do Total
Floresta 2546591 41% 1866537 30% 953965 15%
Não Floresta 3680639 59% 4360693 70% 5273265 85%
Total 6227230 100% 6227230 100% 6227230 100%
Tabela 19: Quantificação das classes temáticas 2007 - 2018
Com os mapas de uso e cobertura da terra inicial (2007) e final (2018), foram obtidas as
matrizes de transição global (single step) e anual (multiple step) da área de estudo. A Tabela 20
apresenta a matriz de transição de uso e cobertura da terra para a área de estudo, com base nos
períodos de 2007 a 2018.
De uma área total de 2546591 hectares de floresta em 2007, houve um decréscimo de
1592626 hectares de floresta até o ano de 2018, o que representa certa de 26% da área total da
província. Para o período de 2007 a 2015, houve um decréscimo de 680054 hectares nas áreas
de floresta, o que representa um percentual de 35.7%.
25
46
59
1
18
66
53
7
95
39
65
36
80
63
9
43
60
69
3
52
73
26
5
2 0 0 7 2 0 1 5 2 0 1 8
Floresta Nao Floresta
58
A partir da matriz de transição multi step, as taxas anuais estimadas de desmatamento
foram de 5.6% para o período de 2007 e 2015, e 26.7% para o período de 2015 a 2018. Para o
período de 2007 a 2018 foi de 10.3%.
Para a matriz de transição single step, as taxas anuais estimadas de desmatamento foram
de 35.7% para o período de 2007 a 2015 e 59.3% para o período de 2015 a 2018 (Tabela 20).
2007 – 2015 Floresta Não Floresta
Floresta 64.3% 35.7%
Não Floresta 6.2% 93.8%
2015 – 2018
Floresta 40.7% 59.3%
Não Floresta 4.4% 95.6%
2007 - 2018
Floresta 32% 68%
Não Floresta 3.8% 96.2%
A
Tabela 20: Matriz de Transição single step (A) e multi step (B) 2007 -2018
Para a classe floresta na matriz de transição, o percentual em verde-claro, corresponde a
área remanescente da classe na transição. O mesmo acontece para a cor laranja na classe não
floresta. Apenas 15% de área de floresta em 2007 permaneceu intacta ate ao ano de 2018.
6.5.2 Pesos de evidência
O cálculo dos valores de pesos de evidência das variáveis estáticas e dinâmicas permitiu
a obtenção de probabilidades de transição (Floresta para Não Floresta) das células. Os pesos de
evidência permitiram inferir sobre qual contribuição uma classe ocorreu em uma dada transição.
Quanto maior o valor de peso de evidência, maior é a probabilidade de ocorrência de
desmatamento (favorece o desmatamento) e, valores entorno de 0 (zero) não tem efeito para
desmatamento e, valores abaixo de 0 (negativos) repelem o desmatamento.
2007 – 2015 Floresta Não Floresta
Floresta 5.6%
Não Floresta 0.97%
2015 – 2018
Floresta 26.7%
Não Floresta 2%
2007 - 2018
Floresta 10.3%
Não Floresta 0.58%
B
59
Figura 20: Variação dos pesos de evidência
Valores positivos de pesos de evidência caracterizam a atração na ocorrencia da transição de
floresta para a classe de não floresta. No caso específico, o aumenta a declividade na área de
estudo, repele o desmatamento. Ou seja, áreas de menor declividade (abaixo de 5%), atraem o
desmatamento e áreas de maior declividade (de 5% a 75%) repelem o desmatamento.
De acordo com a variavel distância aos rios, pode entender-se que até os 200 metros de distancia
aos rios não ocorre o desmatamento. Dos 500 metros até 2 km ocorre o desmatamento. Dos 2km
a mais diante o desmatamento tende a diminuir.
-1
-0.5
0
0.5
0 5 10 15 20
Declividade
-0.2
-0.1
0
0.1
0.2
0.3
0 1000 2000 3000
Distância aos rios
-0.1
0
0.1
0.2
0 1000 2000 3000
Distância as estradas
-1
-0.5
0
0.5
0 500 1000 1500
Distância a areas desflorestadas
-1
-0.5
0
0.5
1
0 2000 4000 6000 8000
Distância a areas protegidas
-0.5
0
0.5
1
1.5
0 5000 10000 15000 20000
Distância a principais vilas e
cidades
60
Nas primeiras faixas da variável distância às estradas (até 1 km) os pesos são positivos,
demonstrando que a proximidade as estradas tende a atrair o desmatamento. À medida em que
se afasta das estradas (2 km a mais), o desmatamento diminui ou seja, maior distância às estradas
tende a repelir o desmatamento.
Outra variável também importante é a distância a áreas já desmatadas. A proximidade às áreas já
desmatadas tende atrair o desmatamento. O afastamento dessas áreas tende a repelir o
desmatamento. Áreas já desmatadas coincidem com áreas de agricultura e estas tendem a
expandir em direção a áreas de floresta remanescente fazendo com que suas proximidades
atraiam o desmatamento.
Uma importante constatação é que os resultados mostram que a proximidade às áreas protegidas
tende a atrair o desmatamento. Ao se afastar das áreas protegidas o desmatamento diminui. As
áreas protegidas são as que ainda possuem varias espécies de valor comercial e localizadas em
terras de alto potencial produtivo o que faz com que suas proximidades atraiam o desmatamento.
Estes resultados apontam que existe a necessidade de reverter esta tendência para que as áreas
protegidas possam cumprir o propósito da sua criação que é proteger e conservar a biodiversidade
Moçambicana.
As áreas próximas das principais vilas e cidades são as que verificam maiores taxas de
desmatamento. Á medida que se desloca para fora das áreas próximas dos centros urbanos, o
desmatamento tende a diminuir. Este fato deve se à crescente demanda de combustível lenhoso
nas cidades. A produção de combustíveis lenhosos para comercialização é geralmente efetuada
ao redor das grandes cidades e ao longo das estradas principais para abastecimento do mercado
urbano.
A análise dos pesos de evidência mostra que áreas próximas das estradas e distantes dos rios e
de baixa declividade, são as mais favoraveis para a transição de classe de floresta para a classe
de não floresta. Contrariamente, áreas próximas dos rios e distantes das estradas e de alta
declividade, repelem o desmatamento ou seja, têm maior probabilidade de se manterem intactas.
61
6.5.3 Correlação entre os mapas
O teste da independência espacial dos mapas de entrada foi analisada pelos indices de
Cramer (V) e o Joint Information Uncertainty (Incerteza de Informação Conjunta - JIU) como
explicado na metodologia. Valores menores que 0,5 no Índice de Crammer (V) assim como no
Joint Information Uncertainty (JIU), indicam menor associação (Bonham-Carter, 1994).
De acordo com os dados da Tabela 11, no teste de dependência espacial, nenhum par de
variáveis apresentou correlação acima de 50% confirmando que ambas variáveis previamente
selecionadas poderiam ser usadas simultaneamente no modelo. Portanto, não foi preciso retirar
nenhuma das variáveis e consequentemente não foi necessário recalcular os pesos de evidência.
Transition
from*
Transition
to* First_Variable* Second_Variable* Cramer
Joint_
Uncertainty
declividade/layer_0 distance/distance_to_2 0.117901 0.027992
declividade/layer_0 estradas/layer_0 0.025916 0.002673
declividade/layer_0 municipios/layer_0 0.095956 0.03228
declividade/layer_0 protegidas/layer_0 0.052135 0.009541
declividade/layer_0 rios/layer_0 0.025319 0.002319
declividade/layer_0 solos/layer_0 0.154793 0.087467
distance/distance_to_2 estradas/layer_0 0.056923 0.005583
distance/distance_to_2 municipios/layer_0 0.11407 0.018538
distance/distance_to_2 protegidas/layer_0 0.078877 0.0117
distance/distance_to_2 rios/layer_0 0.022526 0.000934
distance/distance_to_2 solos/layer_0 0.187629 0.05839
estradas/layer_0 municipios/layer_0 0 0.031549
estradas/layer_0 protegidas/layer_0 0 0.023987
estradas/layer_0 rios/layer_0 0 0.002524
estradas/layer_0 solos/layer_0 0.092845 0.028515
municipios/layer_0 protegidas/layer_0 0 0.107626
municipios/layer_0 rios/layer_0 0 0.011126
municipios/layer_0 solos/layer_0 0.305916 0.205007
protegidas/layer_0 rios/layer_0 0 0.005954
protegidas/layer_0 solos/layer_0 0.156386 0.078289
rios/layer_0 solos/layer_0 0.069885 0.01458
Tabela 21: Correlação entre mapas
6.5.4 Simulação e validação
Como mencionado no item 5.3.3.2, o DINAMICA EGO utiliza os functores Expander e
Patcher como algoritmos de transição, responsáveis pela expansão e contração de manchas de
células de cada classe e pelo surgimento de novas manchas respetivamente. Na etapa de
62
simulação do desmatamento, foi produzido o mapa de desmatamento simulado para o ano 2018
e validado através da comparação quantitativa com o mapa de desmatamento observado do ano
2018. Utilizando o índice de similaridade Fuzzy observou-se uma similaridade de 96% em
janelas de 11X11 pixel (Tabela 16). Com esse resultado, foi possível validar a simulação, pois
conforme sugerido por HAGEN (2003) a obtenção de valores acima de 50% de similaridade
entre os mapas categóricos pode ser considerada satisfatórios para validação de uma
classificação.
MODELO
Tamanho das
janelas (pixel)
Índice de
Similaridade
Mínima
Índice de
Similaridade
Máxima
SIMULAÇÕES
2015 a 2018
1 0.534515 0.614646
3 0.589485 0.804204
5 0.638414 0.88426
7 0.680676 0.923689
9 0.715171 0.945765
11 0.742611 0.95926
Tabela 22: Validação do índice de similaridade Fuzzy com diferentes tamanhos de janela.
Real Porcentagem Simulado Porcentagem
Floresta (ha) 953965 15.3% 735659 12%
Não Floresta (ha) 5273265 84.7 5491571 88
Total (ha) 6227230 100% 6227230 100
Tabela 23: Percentual de classe do mapa observado e simulado
No mapa real de 2018, a quantidade de floresta do mapa observada foi aproximadamente
de 953965 hectares. Para o mapa simulado de 2018, a quantidade de floresta observada foi
aproximadamente de 735659 hectares. A diferença de área de floresta entre o mapa observado e
o simulado é de 218306 hectares o que corresponde a 3.5% da área total da província. Ou seja, o
erro entre o mapa simulado e o real está abaixo de 5% fato que nos permite aceitar e validar o
modelo.
Segundo NOVAES et al (2011), para além da análise de pesos de evidência para
reconhecer áreas passiveis de mudança de estado em cada transição, existe outra técnica que é a
análise de mapas de probabilidade de transição que compilam o efeito de todas as variáveis
estáticas inseridas no modelo permitindo a observação dessas variáveis no plano espacial.
63
Figura 21: Mapa de probabilidade de mudança 2018
O mapa da figura 14 representa a probabilidade de ocorrer mudança na classe floresta
para não floresta. Quanto mais próximo da cor vermelha, maior é a probabilidade de ocorrer
mudança e quanto mais próxima da cor verde, menor é a probabilidade de ocorrer mudança. As
áreas próximas a floresta remanescente até 2018 são as que maior probabilidade têm de sofrer o
desmatamento. Áreas já desmatadas e de menor abundância de floresta são as que menor
probabilidade têm de serem desmatadas.
6.5.5 Cenários futuros
Após a validação do modelo, foi realizada a simulação de desflorestamento para os anos
2019 a 2025. Os dados de saída desta etapa final consistem em mapas de probabilidades.
Após obtenção dos mapas simulados dos anos de 2019 a 2025, no software DINAMICA-
EGO, usou se o software ArcGIS 10.2.1, para construir mapas de transição ano a ano dos futuros
desflorestamentos e suas respetivas áreas de transição da classe floresta para desflorestamento.
Deforestation Probabitity 2018
64
As Tabelas 18 e 19 quantificam probabilidades de cenários futuros de desmatamento na província
de Manica entre o ano de 2019 a 2025.
Classe em
(Ha) 2019 2020 2021 2022 2023 2024 2025
Floresta 512813 375987 275668 202115 148188 108649 79670
Não Floresta 5714417 5851243 5951562 6025115 6079042 6118581 6147570
Tabela 24: Quantificação da probabilidade de cenários futuros
Tabela 25: Probabilidade de área desmatada entre 2019 a 2025
Os cenários simulados para os anos 2019 a 2025 apresentados nas tabelas 18 e 19
demonstram a diminuição de área de floresta em cerca de 433000 hectares em todo período de
análise. Ou seja, até ao ano de 2025 a província de Manica terá apenas 5% da atual cobertura
florestal se as tendências históricas de desmatamento dos últimos 10 anos mantiverem-se
estacionárias.
Desmatamento em
(Ha)
2019 -2020 2020 -2021 2021-2022 2022 -2023 2023 -2024 2024 -2025
136826 100319 73553 53927 39539 28979
65
7. CONCLUSÕES E RECOMENDAÇÕES
Este trabalho permitiu compreender a dinâmica do processo de desmatamento bem como
dos fatores associados. Foi possível também compreender a complexidade do sistema de
produção dos agricultores familiares da província de Manica e sua relação com o desmatamento.
Através da análise de resultados de entrevistas foi possível obter a compreensão do
funcionamento do sistema de produção e sua relação com o desmatamento.
A expansão de áreas agrícolas e a exploração de energia da biomassa (lenha e carvão
vegetal) são apontadas como principais causas do desmatamento. Na fase inicial do
desmatamento, a floresta nativa intacta é devastada pela exploração madeireira e produção de
energia da biomassa que, posteriormente é transformada pelos agricultores familiares em áreas
de produção (machamba).
A população pratica agricultura em áreas de 2 a 3 hectares e o esgotamento da capacidade
produtiva dos solos faz com que o campo seja abandonado por um período mínimo de 3 anos
abrindo-se machambas em novas áreas outrora exploradas pelos madeireiros e carvoeiros ou
então retorna-se em áreas de pousio (caso pouco habitual dada a grande disponibilidade de terra)
– Agricultura itinerante.
A expansão de áreas agrícolas sobre a floresta é causada pela necessidade de aumentar a
produção para atender a demanda do mercado de excedentes agrícolas e também pelo
esgotamento da capacidade produtiva dos solos. Essa expansão é em média 0.5ha por ano.
A venda de excedentes agrícolas e exploração de energia da biomassa (lenha e carvão
vegetal) são principais atividades económicas geradoras de renda para população da região centro
da província de Manica.
A classificação de imagens Landsat para o mapeamento de classes de uso e cobertura de
solo permitiu a quantificação de mudanças ocorridas através do cálculo da matriz de transição de
principais classes em estudo (Floresta e Não Floresta). O método da modelagem dinâmica
permitiu compreender através da série histórica, cenários futuros do desmatamento na província
de Manica. O modelo de simulação apresentou resultados satisfatórios de acordo com o índice
de similaridade de Fuzzy obtido através da função de decaimento constante. Foi possível notar
que o desmatamento é intenso na Província de Manica e se a tendência for estacionária, a área
66
poderá perder cerca de 433000 hectares de floresta nos próximos 6 anos e ser vulnerável a
ocorrência de problemas ambientais graves com repercussões negativas nos modos de produção
agrícola da população rural local.
No presente estudo foram identificados cerca de 1268420 hectares terra muito apta para
a prática da atividade agrícola e coincidem com áreas de não floresta. Essas áreas foram definidas
pelo cruzamento de sete planos de informação nos SIG de acordo com os códigos definidos na
Tabela 7. É sobre áreas muito aptas que deveriam ser direcionadas iniciativas para expansão e
intensificação da produção agrícola. Também existem cerca de 3051810 hectares que são
moderadamente aptos e que não coincidem com áreas de florestas. Essas terras também podem
ser usadas para a produção.
Para a preservação de áreas de floresta remanescente há que levar em consideração o
modelo de avaliação de terras agrícolas definido no presente estudo. O modelo de desmatamento
e da aptidão agrícola das terras pode subsidiar na definição de políticas públicas de planejamento
e ordenamento do território e evitar consequências ambientais negativas nas comunidades locais.
A metodologia aplicada no presente estudo pode ser aplicada para estudos de caso em áreas que
experimentam situações semelhantes de desmatamento na Província de Manica. No sentido de
melhorar as análises realizadas ao longo deste trabalho, propomos seguintes recomendações para
futuras pesquisas:
A expansão de áreas agrícola foi citada como principal causa do desmatamento. Para
simular cenários futuros de desmatamento, a definição e quantificação de áreas agrícolas é de
extrema importância pois, pode ajudar a perceber como esse tipo de uso poderá vir a contribuir
para o desmatamento;
Com objetivo de preservar áreas de florestas, torna imprescindível a produção de
mapas de aptidão agrícola (específicos para diferentes culturas) das terras associado a dados de
desmatamento para auxiliar na melhor definição de áreas com elevado aptidão agrícola e que as
mesmas não coincidam com áreas de florestas;
A aquisição e incorporação no modelo de dados socioeconómicos pode vir a dar
resultados que possibilitam uma melhor precisão na análise do fenómeno de desmatamento na
Província de Manica;
67
8. REFERÊNCIAS BIBLIOGRÁFICAS
ABDALLA, L. S et al. Modelagem dinâmica da vegetação baseada em autômatos celulares: um estudo de caso da regeneração da mata atlântica no distrito de aldeia velha – RJ. Rio de Janeiro - Brasil, 2015
ALBUQUERQUE, A. HOBBS, A. Challenges and Opportunities for Efficient Land Use in Mozambique: Taxes,
Financing, and Infrastructure. 2016
ALCÂNTARA, V. et al. Componentes Principais e Clusters de Autoavaliação Institucional Sob a Ótica do Corpo
Discente. Campo Largo, 2011
ALMEIDA, C. M. Modelagem da Dinâmica Espacial como uma ferramenta auxiliar ao planejamento: simulação de
mudanças de uso da terra em áreas urbanas para as cidades de Bauru e Piracicaba (SP), Brasil. Tese de doutorado
do curso da pós-graduação em sensoriamento remoto. São José dos Campos, INPE, 2003
ARRAES, R.A et al. Causas do Desmatamento no Brasil e seu Ordenamento no Contexto Mundial. Piracicaba – SP.
2012
ATANASSOV, B et al. Mozambique urban biomass energy analysis. Ministry of Energy, Maputo, Mozambique,
2012 BAIMA, A, et al. Séries temporais de índices de vegetação (NDVI e EVI) do sensor MODIS para detecção.
BAZIMA, V. M., Guiliche, A. A., Vicente, C. C., Omar, A. R. & Jone, H. L. (2011). Manica Province Strategic
Development Plan (PEDPM) 2011-2015. Manica, Moçambique.
BENEDETTI, A. C. (2010). Modelagem Dinâmica Para Simulação de Mudanças na Cobertura Florestal das Serras
do Sudoeste e Campanha Meridional do Rio Grande do Sul. Tese de Doutorado, Centro de Ciências Rurais,
Programa de Pós-graduação em Engenharia Florestal, Universidade Federal de Santa Maria, Santa Maria, RS.
BERF. “A diagnostic assessment of BE constraints facing Mozambique’s forestry sector.” Business environment
reform facility. DFID. 2017
BILA, A. Estratégia para a Fiscalização Participativa de Florestas e Fauna Bravia em Moçambique. Maputo, 2005.
BONHAM-CARTER, G. F. Geographic Information Systems for Geoscientists: Modelling with GIS. Ontario:
Pergamon, 1994. BROUWER, R. e M. P. FALCÃO. Wood fuel consumption in Maputo, Mozambique. Biomass and Bioenergy. 2004
BURROUGH, P. A. Dynamic modeling and geocomputation. Geocomputation: A Primer. Editado por: LONGLEY,
P. A.; BROOKS, S. M.; MCDONNELL, R.; MACMILLAN, B. Chichester: John Wiley & Sons Ltd. 1998.
CARVALHO, F.R.D, Analise Fatorial. Coimbra, 2013
CARVALHO, N. L., et al.: Desenvolvimento Sustentável. UFSM. 2015
CCE. Enfrentar os desafios da desflorestação e da degradação florestal para combater as alterações climáticas e a
perda de biodiversidade. Bruxelas, 2008
CEAGRE & Winrock. Identificação e análise dos agentes e causas directas e indirectas de desmatamento e
degradação florestal em Moçambique. Maputo. 2015
CNDS – Conselho Nacional de Desenvolvimento Sustentável (2002). Relatório sobre a avaliação do grau de
implementação da Agenda 21 em Moçambique. Comité de preparação da cimeira mundial sobre desenvolvimento
sustentável, Moçambique. CONGALTON, R. G.; GREEN, K. Assessing the accuracy of remotely sensed data: principles and practices. New
York: Lewis Publisher. 1999.
CRM. Constituição da Republica de Moçambique. Maputo, 2004
CRÓSTA, Álvaro. P. Processamento Digital de Imagens de Sensoriamento Remoto. Campinas: IG/UNICAMP,
1992
CUCO, A. Comunidades e maneio dos recursos naturais. Memórias da III conferência nacional sobre o maneio
comunitário dos recursos naturais. Maputo: DNFFB e IUCN, 2005.
CUNGUARA, B., et al. Mudanças no Padrão de Cultivo e Uso de Insumos pelos Pequenos Produtores no Centro
e Norte de Moçambique, 2008/2011. Revista da Direção de Economia do MINAG, 2012.
CUVILAS, C. A., R. JIRJIS e C. LUCAS. Energy situation in Mozambique: A review. Renewable and Sustainable
Energy Reviews. 2010 DIAS, G. F. Queimadas e Incêndios Florestais Cenários e Desafios Subsídios para a Educação Ambiental. IBAMA.
2009
DIAS, Lidiane t. WALDE, Detlef H. Modelagem da dinâmica espacial do uso e ocupação do solo na bacia
hidrográfica do Lago Paranoá-DF. Revista Brasileira Cartográfica. 2011
68
EGAS A. F. (2006) Comparação de custos de consumo de lenha e carvão com outras fontes de energia domésticas
na confecção de refeições. IN: IUCN, Resumo das iniciativas implementadas no período 2003-2005. Maputo,
Moçambique. 2006
DNTF. Relatório estatístico anual de 2007. Maputo-Moçambique, 2008.
EIA. First class connections: log smuggling, illegal logging and corruption in Mozambique. Environmental
Investigation Agency, London, UK. 2013. Disponivel em: https://eia-international.org/report/first-class-connections. Acesso em 12 de Agosto de 2018
FAEF. Assessment of harvested volume and illegal logging in Mozambican natural forest. Maputo.2013
FALCÃO, D. Produção e Consumo Doméstico de Combustíveis Lenhosos em Moçambique. Lisboa, 2013
FALCÃO, M., NOA. M. Definição de Florestas, Desmatamento e Degradação Florestal no âmbito do REDD+.
Maputo, 2016
FAO. Shifting Cultivation, Livelihood and Food Security - New and Old Challenges for Indigenous Peoples in Asia.
Bangkok. 2015
FAO. “Global forest resources assessment 2010. Country report Mozambique.” Forestry Department. Food and
Agriculture Organization of the United Nations. Rome. 2010
FAO - A framework for land evaluation. «FAO Soils Bulletim», FAO, Roma. 1976.
FEARNSIDE. P. M. Desmatamento na Amazônia brasileira: história, índices e consequências. Amazonas, 2005.
FORMAN, R. T. T., GODROM, M. Landscape ecology. New York: John Wiley & Sons, Inc., 1986. FUNAB. Estudo das causas de desmatamento e da degradação florestal nos distritos abrangidos pelo programa de
gestão integrada de paisagens de Cabo Delgado (PROGIP-CD) - relatório final. Maputo, 2016
FURLAN, M.C Modelagem dinâmica de uso e cobertura de terra na bacia do Arroio grande – Santa Maria – RS.
2012.
HAIR, J. J. F.; ANDERSON, R. E.; TATHAM, R. L.; BLACK, W. C. Análise multivariada de dados. 5.ed. Porto
Alegre: Bookman, 2005
HAGEN, A. Fuzzy set approach to assessing similarity of categorical maps. International Journal of Geographical
Information Science. 2003.
HUANG, C.; TOWNSHEND, J. R. G.; XIWU, Z.; HANSEN, M.; DEFRIES, R.; SOHLBERG, R. Detecting
landcover changes based on their trajectories in the spectral space. In: Geosciences and Remote Sensing Symposium.
Proceedings, IGARSS, IEEE International, vol 5, 2000. IBAMA - INSTITUTO BRASILEIRO DO MEIO AMBIENTE E DOS RECURSOS NATURAIS RENOVÁVEIS
- Ministério do Meio Ambiente. Brasília-DF, Brasil, 2010. Disponível em: http://www.ibama.gov.br/recursos-
florestais/areas-tematicas/Acesso em: 07 de Novembro de 2018.
INE. IOF (2008-2009) Avaliação Nacional sobre a Pobreza e bem-estar Moçambique. 2008
INE. IV Recenseamento da População e Habitação 2017: Resultados Preliminares. Maputo. 2018.
INE. Censo agropecuário 2009-2010: Resultados definitivos. Maputo. 2011
JENSEN, J. R. Sensoriamento Remoto do Ambiente. São José dos Campos, SP: Parêntese, 2009
KAWASHIMA, Renata S. et al. Análise das Mudanças Temporais de Cobertura da Terra na Região Portuária da
Baixada Santista – SP e a Proposição de Modelos de Dinâmica Espacial. INPE. João Pessoa. 2015.
KISSINGER. G, HEROLD. M, DE SY. V. Drivers of Deforestation and Forest Degradation: A Synthesis Report
for REDD+ Policymakers. 2012
KITAMURA, P.C.. A Amazônia e o Desenvolvimento Sustentável, São Paulo: Embrapa, 1994. LANDIS, J. R; KOCH, G. G. The measurement of observer agreement for categorical data. Biometrics. 1977.
LINDEN, R. Técnicas de agrupamento. Revista de Sistemas de Informação da FSMA. 2009
LUDWIG, J. A. & REINOLDS, J. F. Statistical Ecology: a primer on methods and computing. USA: Wiley-
Interscience, 1988.
MACEDO, R C, et al. Modelagem Dinâmica Espacial das Alterações de Cobertura e Uso da Terra Relacionadas à
Expansão Canavieira. Curitiba, 2013
MAE. Perfil do distrito de Manica Província de Manica. Maputo. MAE/DNAL. 2014.
MAGALHÃES, T. M. Análise do Sistema de Exploração dos Recursos Florestais em Moçambique. Maputo, 2015
MARQUES FILHO, Ogê; VIEIRA NETO, Hugo. Processamento Digital de Imagens, Rio de Janeiro. 1999.
MARZOLI, A. Avaliação Integrada das Florestas de Moçambique: Inventario Florestal Nacional. Maputo. 2007
MAS, J.F.; KOLB, M.; PAEGELOW, M.; OLMEDO, M.C.; HOUET, T. Modelling Land use/cover changes : a comparison of conceptual approaches and softwares. Environmental Modelling and Software. 2014
MATRICARDI, E.A.T, et al. Modelagem do desmatamento na região de MATOPIBA, 2017.
MCGARIGAL K. Fragstats Help. University of Massachusetts, Amherst ISSN. 2015
MEA- Millennium Ecosystem Assessment, General Synthesis Report, Washington: Island Press. 2005
69
MENEZES, P., et al. Introdução ao processamento de imagens de sensoriamento remoto. Brasília.
MICOA. The National Report on Implementation of Convention on Biological Diversity in Mozambique.
Mozambique. 2009
MINAG. Plano Estratégico para o Desenvolvimento do Setor Agrário (PEDSA 2011-2020). Maputo, 2011
MITADER. 2016. Mozambique’s Forest Investment Plan FIP. Sub-Committee Meeting Oaxaca, Mexico, 2016.
MITADER. Mozambique’s Forest Reference Emission Level for Reducing Emissions from Deforestation in Natural Forests, Maputo. 2018
MISA. Anuário Estatístico Agrário. Maputo, 2015
MORAES. E. Fundamentos de sensoriamento remoto. INPE, São José dos Campos. 2012
MORAN-ORDONÉZ et al. Using predictive models as a spatially explicit support tool for managing cultural
landscapes. 2011
MPF (Ministério Publico Federal). Desmatamento. Brasília, 2015
MUCHANGOS, A. Moçambique, paisagens e regiões naturais. Maputo. 1999.
NETO, E. C. et al. Aplicação do Sistema de Avaliação da Aptidão Agrícola das Terras (SAAAT) Em Solos do Norte
de Minas Gerais. Goiania. 2018
NHANTUMBO, I. & SALOMÃO, A. Biofuels, land Access and rural livelihoods in Mozambique, Centro Terra
Viva, Maputo; 2010
NHANTUMBO, I. and IZIDINE, S. Preparing for REDD in dry land forests: Investigating the options and potential synergy for REDD payments in the miombo eco-region (Mozambique country study). International Institute for
Environment and Development (IIED), London, UK. 2009
NHANTUMBO, I.; MACQUEEN. Diretos das Comunidades, Realidade ou Retórica. Maputo. 2002
NOVAES, M.R. Análise da Redução da Queima na Colheita de Cana-De-Açúcar por meio de Modelagem Dinâmica
Espacial. Dissertação de Mestrado do Curso de Pós Graduação em Sensoriamento Remoto. INPE. 2010
NOVAES, M. R. ; RUDORFF, B. F. T. ; ALMEIDA, C. M. ; AGUIAR, D. A. . Análise Espacial da Redução da
Queima na Colheita da Cana-de-Açúcar: Perspectivas Futuras ao Cumprimento do Protocolo Agro-Ambiental.
Engenharia Agrícola, 2011
OLIVEIRA, M. A. Modelagem Dinâmica Espacial das Classes de Uso e Cobertura da Terra de Venâncio Aires/ Rs.
2015.
PAIVA, A. P. Metodologia de Superfície de Resposta e Análise de Componentes Principais em Otimização de Processos de Manufatura com Múltiplas Respostas Correlacionadas. Itajubá, 2006
PEDPM. Plano Estratégico de Desenvolvimento da Província de Manica. Maputo, 2015.
PEREIRA, J.L.G, et al - Métricas da paisagem na caracterização da evolução da ocupação da Amazónia, Rio Claro,
Brasil 2001
PERZ, Etephen et al. Cenários Futuros de Paisagens Amazônicas: Modelos Econométricos e de Simulação de
Dinâmica. 2009
PONTIUS Jr, R. G., CORNELL, J & HALL, C. A. S. Modeling the spatial pattern of land-use change with
GEOMOD2: application and validation for Costa Rica. Agric. Ecosyst. Environ. 2001
PNUD. Relatório de Desenvolvimento Humano, 2018
RAMALHO FILHO, A., PEREIRA, L.C. Aptidão Agrícola das terras do Brasil. Potencial de terras e analise dos
principais métodos de avaliação. Rio de Janeiro. 1999
RAMALHO FILHO, A., BEEK, K. J. Sistema de Avaliação da Aptidão Agrícola das Terras. 3a ed. Rio de Janeiro, 1995
RIBEIRO, D., NHABANGA, E. Levantamento preliminar da problemática das Florestas de Cabo Delgado. Justiça
Ambiental. Maputo. 2009
RUDEL. T. K et al. Agricultural intensification and changes in cultivated areas, 1970–2005. 2009
RYAN, C. M., et al. Quantifying small-scale deforestation and forest degradation in African Woodlands using radar
imagery. Global Change Biology. 2017
SAKET, M. “Report on the updating of exploratory national forest inventory.” FAO. Rome, Italy. Ministry of
Agriculture and Fisheries, Maputo (Mozambique). 1994
SAUNDERS, Denis A.; HOBBS, Richard J.; MARGULES, Chris R. Biological consequences of ecosystem
fragmentation: a review. Conservation biology, 1991.
SILVA, T.E.V, et al. Análise de Componentes Principais Aplicada a Avaliação Discente: Um Estudo de Caso em Ambientes Virtuais de Aprendizagem. 2012
SANTOS, R. F. Planejamento Ambiental: teoria e prática. São Paulo: Oficina de Textos, 2004.
70
SITOE, A., MIRIRA, R. & TCHAÚQUE, F. Avaliação dos níveis de consumo da energia de biomassa nas províncias
de Tete, Nampula, Zambézia, Sofala, Gaza e Maputo. Relatório final. Ministério da Energia e Faculdade de
Agronomia e Engenharia Florestal Maputo, Moçambique. 2007
SITOE, A., SALOMÃO, A. & WERTZ-KANOUNNIKOFF, S. O contexto de REDD+ em Moçambique: causas,
atores e instituições. Maputo. 2012
SITOE, Almeida, SÁ-NOGUEIRA. “Avaliação dos impactos dos investimentos nas plantações florestais da Portucel-Moçambique nas tecnologias agrícolas das populações locais nos distritos de Ile e Namarrói, província da
Zambézia. 2017
SOARES FILHO, B. S.; RODRIGUES, H. O.; COSTA, W. L. Modelagem de Dinâmica Ambiental com Dinâmica
EGO. Guia prático do Dinâmica EGO. Belo Horizonte: CSR-UFMG. 2009.
SOARES-FILHO, B. S. et al. Modelagem de dinâmica de paisagem: concepção e potencial de aplicação de modelos
de simulação baseados em autômato celular. 2007
SOARES FILHO, B.S.; Alencar, A.; Nepstad D.; Cerqueira, G.; Vera-Diaz, M.; Rivero, S.; Solórzano, L..
Simulating the Response of Land-Cover Changes to Road Paving and Governance Along a Major Amazon Highway:
The Santarém-Cuiabá Corridor. Global Change Biology. 2004.
SOARES FILHO, B. S.; FILHO, L. C.; CERQUEIRA, G. C.; ARAÚJO, W. L.. Simulating the spatial patterns of
change through the use of the dinamica model.In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO.
(SBSR). Belo Horizonte. 2003 SOARES-FILHO, B.S., C. Pennachin & G. Cerqueira. DINAMICA – a stochastic cellular automata model designed
to simulate the landscape dynamics in an Amazonian colonization frontier. Ecological Modelling. 2002
SOARES-FILHO, B. S. Modelagem da dinâmica de paisagem de uma região de fronteira de colonização amazônica.
São Paulo, SP. Originalmente apresentada como tese de doutorado, Escola Politécnica da Universidade de São Paulo,
1998.
SUGAMOSTO, M. L. Uso de técnicas de geoprocessamento para elaboração do mapa de aptidão agrícola e
avaliação da adequação de uso do centro de estações experimentais do Cangüiri, município de Pinhais – Paraná.
Curitiba, 2002
TRENTIN, G.; FREITAS, M. I. C. Modelagem da dinâmica espacial urbana: modelo de autômato celular na
simulação de cenários para o município de Americana-SP. Revista Brasileira de Cartografia. 2010.
UETELA, A. E. Dinâmica e prognose de produção de uma floresta de miombo utilizando matriz de transição. Curitiba, 2014
UNFCCC (Convenção-Quadro das Nações Unidades sobre Mudanças Climáticas) Meetings.
Disponívelem:http://unfccc.int/files/meetings/durban_nov_2011/decisions/application/pdf/cop17. Acesso em: 07 de
Novembro de 2018
VALENTIN, E. F. D. Modelagem Dinâmica de Perdas de Solo: o Caso do Alto
VICINI. L. Analise multivariada de teoria a prática. Santa Maria, RS. 2005
XIMENES, A. C. et al. Modelagem dinâmica do desmatamento na Amazônia. Boletim de Ciências Geodésicas,
Curitiba. 2008.
WEGENER, M.; GNAD, F.; VANNAHME, M. The Time scale of urban form. In: HUTCHINSON, B.; BATTY,
M. (Ed.). Advances in urban systems modeling. Amsterdam: Elsevier, 1986.
WERTZ-KANOUNNIKOFF, S. Como o REDD+ está a emergir nas florestas secas da África Austral? Um
instantâneo de Moçambique. Maputo. 2011 WORLD BANK. Integrated landscape and forest management in Mozambique. 2018
71
ANEXO 1
ENTREVISTA SEMIESTRUTURADA PARA AGRICULTORES FAMILIARES
Província: Manica; Distrito ----------------; Localidade ------------------; Povoado -----------
Nome do agricultor / régulo (opcional): ------------- Idade: ---------------- Sexo: ------------ No
de agregado familiar ----------------- Nível de escolaridade --------------
No de agregado que participa diretamente na produção ------------
Tipo de Machamba e/ou exploração: Familiar ( ) Comercial ( )
1. É funcionário público/empresa ou trabalha por conta própria?
2. Há quanto tempo usa essa terra?
3. Como adquiriu o direito de uso e aproveitamento dessa terra? Herança familiar ( ), Compra (
), doação ( ), Outra forma ( )
4. Que tipo de uso e cobertura havia quando ocupou essa área? Machamba ( ), Floresta ( )
5. Qual a dimensão da sua propriedade? Medir com GPS
6. Dessa área, quantos hectares são de floresta e quantos utiliza para a produção?
7. Nos últimos 2 anos aumentou quantos hectares de sua área de produção?
8. O que motiva a expansão de áreas de produção? Crescimento do agregado familiar ( ),
Aumentar a produção para comercializar ( ), Perda da capacidade produtiva ( ), Os três
motivos atuam em simultâneo ( )
9. Usa técnicas de pousio? Sim ( ) Não ( ). Se sim, por quanto tempo abandona
temporariamente uma parcela? 3 a 5 ( ) 6 a 10 ( ) 11 a mais anos ( ).
10. Quais principais culturas alimentares e de rendimento produz?
11. Qual a estimativa da quantidade de milho em toneladas que produz por hectare?
12. Qual o destino da sua produção? Consumo ( ), Venda ( )
13. Que instrumentos de produção utiliza? Trator ( ), Enxada ( ), Tração animal ( ), Catana ( )
14. Que atividades económicas complementares garantem a subsistência da família?
15. Recebe assistência de extensionistas ou técnicos rurais?
16. Participa de cursos ou troca de experiências com outros agricultores em matéria de conservação
e preservação de recursos naturais?
17. Que fonte de energia usa na sua casa? Lenha ( ), Carvão ( ), energia elétrica ( ) Energia solar
( ), Outra fonte (especificar) ( )
18. Há empresas florestais que exploram dentro da vossa comunidade?
19. Como é que as empresas florestais adquiriram a terra na vossa comunidade?
20. Houve consulta à comunidade ou lideres para a concessão de áreas de exploração florestal?
21. Nota alguma mudança no provimento desses recursos pelas florestas antes e depois da existência
de empresas florestais? Se nota, qual deve ser a principal causa?
22. Nota alguma diminuição da área de floresta dentro da sua comunidade / localidade?
72
23. Qual deve ser a causa? Aumento da área de produção ( ), Queimadas descontroladas ( ),
Exploração madeireira ( ), Lenha e Carvão ( ), Outra (especificar) ------------
24. Quem começa com a ação de desflorestação? Madeireiros ( ), Lenhadores e Carvoeiros ( ),
Agricultura itinerante ( ), Queimadas descontroladas ( ). Qual a ordem?
25. Acha que a ocupação da terra pela empresa melhorou a vida na comunidade?
ANEXO 2
Fotografias da área de estudo
Entrevista com um dos camponeses no distrito de Gondola
73
Lenha para o abastecimento das cidades
Forno de carvão vegetal no Distrito de Manica
74
Corte de Arvores para o fabrico de carvão vegetal
Queimadas para limpeza de campos agrícolas
